Paso 6 (2)- Trayectorias de hospitalización y mortalidad con foco en condiciones vinculadas a trastornos de salud mental y consumo de sustancias posterior a un primer ingreso por alguno de estos trastornos, en usuarios/as jóvenes y adultos emergentes de población general y pertenecientes a pueblos originarios, 2018-2021, Chile
Análisis de sensibilidad para resolución trimestral, utilizando una solución con una mayor cantidad de conglomerados.
Autor/a
Andrés González Santa Cruz
Fecha de publicación
25 de ene, 2025
Configurar
Código
# remover objetos y memoria utilizadarm(list=ls());gc()
used (Mb) gc trigger (Mb) max used (Mb)
Ncells 598926 32.0 1345034 71.9 686445 36.7
Vcells 1137243 8.7 8388608 64.0 1876475 14.4
#elegir repositorioif(Sys.info()["sysname"]=="Windows"){options(repos =c(CRAN ="https://cran.dcc.uchile.cl/"))}options(install.packages.check.source ="yes") # Chequea la fuente de los paquetes#borrar caché#system("fc-cache -f -v")if(!require(pacman)){install.packages("pacman");require(pacman)}pacman::p_unlock(lib.loc =.libPaths()) #para no tener problemas reinstalando paquetesif(Sys.info()["sysname"]=="Windows"){if (getRversion() !="4.4.0") { stop("Requiere versión de R 4.4.0. Actual: ", getRversion()) }}if(!require(job)){install.packages("job");require(job)}if(!require(kableExtra)){install.packages("kableExtra");require(kableExtra)}if(!require(tidyverse)){install.packages("tidyverse");require(tidyverse)}if(!require(cluster)){install.packages("cluster"); require(cluster)}if(!require(WeightedCluster)){install.packages("WeightedCluster"); require(WeightedCluster)}if(!require(devtools)){install.packages("devtools"); require(devtools)}if(!require(TraMineR)){install.packages("TraMineR"); require(TraMineR)}if(!require(TraMineRextras)){install.packages("TraMineRextras"); require(TraMineRextras)}if(!require(NbClust)){install.packages("NbClust"); require(NbClust)}if(!require(haven)){install.packages("haven"); require(haven)}if(!require(ggseqplot)){install.packages("ggseqplot"); require(ggseqplot)}if(!require(grid)){install.packages("grid"); require(grid)}if(!require(gridExtra)){install.packages("gridExtra"); require(gridExtra)}if(!require(Tmisc)){install.packages("Tmisc"); require(Tmisc)}if(!require(factoextra)){install.packages("factoextra"); require(factoextra)}if(!require(stargazer)){install.packages("stargazer"); require(stargazer)}if(!require(gtsummary)){install.packages("gtsummary"); require(gtsummary)}if(!require(lmtest)){install.packages("lmtest"); require(lmtest)}if(!require(emmeans)){install.packages("emmeans"); require(emmeans)}if(!require(fpp2)){install.packages("fpp2"); require(fpp2)}if(!require(purrr)){install.packages("purrr"); require(purrr)}if(!require(forecast)){install.packages("forecast"); require(forecast)}if(!require(magrittr)){install.packages("magrittr"); require(magrittr)}if(!require(foreach)){install.packages("foreach"); require(foreach)}if(!require(doParallel)){install.packages("doParallel"); require(doParallel)}if(!require(progressr)){install.packages("progressr"); require(progressr)}if(!require(chisq.posthoc.test)){devtools::install_github("ebbertd/chisq.posthoc.test")}if(!require(rstatix)){install.packages("rstatix"); require(rstatix)}if(!require(rio)){install.packages("rio"); require(rio)}if(!require(cowplot)){install.packages("cowplot"); require(cowplot)}if(!require(DiagrammeR)){install.packages("DiagrammeR"); require(DiagrammeR)}if(!require(DiagrammeRsvg)){install.packages("DiagrammeRsvg"); require(DiagrammeRsvg)}if(!require(rsvg)){install.packages("rsvg"); require(rsvg)}if(!require(survminer)){install.packages("survminer"); require(survminer)}seq_mean_t_dos_grupos <-function(bd =NULL, group1, group2) {# Agrupar por ambas variables resultados <-by(bd, list(group1, group2), seqmeant)# Obtener todas las combinaciones posibles de los grupos combinaciones <-expand.grid(group1 =unique(group1), group2 =unique(group2), stringsAsFactors =FALSE)# Extraer los resultados y asociarlos con las combinaciones resultados_df <-do.call(rbind, lapply(seq_along(resultados), function(i) { group_name1 <-attr(resultados, "dimnames")[[1]][i] group_name2 <-attr(resultados, "dimnames")[[2]][i]data.frame(factor_inclusivo_1 = group_name1, factor_inclusivo_2 = group_name2, Mean = resultados[[i]]) }))# Unir los resultados con las combinaciones para rellenar los valores faltantes final_df <-merge(combinaciones, resultados_df, by.x =c("group1", "group2"), by.y =c("factor_inclusivo_1", "factor_inclusivo_2"), all.x =TRUE)return(final_df)}multinom_pivot_wider <-function(x) {# check inputs match expectatations# create tibble of results df <- tibble::tibble(outcome_level =unique(x$table_body$groupname_col)) df$tbl <- purrr::map( df$outcome_level,function(lvl) { gtsummary::modify_table_body( x, ~dplyr::filter(.x, .data$groupname_col %in% lvl) %>% dplyr::ungroup() %>% dplyr::select(-.data$groupname_col) ) } )tbl_merge(df$tbl, tab_spanner =paste0("**", df$outcome_level, "**"))}best_subset_multinom <-function(y, x.vars, data) {# y Nombre de la variable dependiente (cadena de texto)# x.vars Vector de nombres de predictores (caracter)# data Dataframe con los datos de entrenamiento# Cargar las librerías necesariasrequire(dplyr)require(purrr)require(tidyr)require(nnet)require(MASS)# Generar todas las combinaciones posibles de predictores predictors_list <-lapply(1:length(x.vars), function(i) {combn(x.vars, i, simplify =FALSE) }) %>%unlist(recursive =FALSE)# Inicializar una lista para almacenar los resultados results <-list()# Iterar sobre cada combinación de predictoresfor (i inseq_along(predictors_list)) { predictors <- predictors_list[[i]] formula <-as.formula(paste(y, "~", paste(predictors, collapse ="+")))# Ajustar el modelo multinomial model <-tryCatch( nnet::multinom(formula, data = data, trace =FALSE),error =function(e) NULL )# Si el modelo se ajustó correctamente, almacenar los resultadosif (!is.null(model)) {# Extraer el AIC del modelo aic <-AIC(model)# Almacenar la información en una lista results[[length(results) +1]] <-list(predictors = predictors,model = model,AIC = aic ) } }# Convertir la lista de resultados en un dataframe results_df <- results %>% purrr::map_df(function(res) {data.frame(predictors =paste(res$predictors, collapse ="+"),AIC = res$AIC,stringsAsFactors =FALSE ) })# Ordenar los modelos por AIC de menor a mayor results_df <- results_df %>%arrange(AIC)return(results_df)}best_subset_multinom_interactions <-function(y, x.vars, data) {# y Nombre de la variable dependiente (cadena de texto)# x.vars Vector de nombres de predictores (caracter)# data Dataframe con los datos de entrenamiento# Cargar las librerías necesariasrequire(dplyr)require(purrr)require(tidyr)require(nnet)require(MASS)# Generar todas las combinaciones posibles de predictores (efectos principales) main_effects_list <-lapply(1:length(x.vars), function(i) {combn(x.vars, i, simplify =FALSE) }) %>%unlist(recursive =FALSE)# Inicializar una lista para almacenar los resultados results <-list()# Iterar sobre cada combinación de efectos principalesfor (main_effects in main_effects_list) {# Generar términos de interacción de hasta 3 variables interaction_terms <-list()# Para interacciones de 2 variablesif (length(main_effects) >=2) { interaction_terms_2way <-combn(main_effects, 2, function(x) paste(x, collapse =":")) interaction_terms <-c(interaction_terms, interaction_terms_2way) }# Para interacciones de 3 variablesif (length(main_effects) >=3) { interaction_terms_3way <-combn(main_effects, 3, function(x) paste(x, collapse =":")) interaction_terms <-c(interaction_terms, interaction_terms_3way) }# Combinar efectos principales e interacciones all_terms <-c(main_effects, interaction_terms)# Generar todas las combinaciones posibles de términos (incluyendo interacciones)# Solo se incluyen interacciones si sus efectos principales están presentes term_combinations <-list()# Obtener todos los subconjuntos de efectos principales main_effects_subsets <-lapply(1:length(main_effects), function(i) {combn(main_effects, i, simplify =FALSE) }) %>%unlist(recursive =FALSE)# Para cada subconjunto de efectos principalesfor (me in main_effects_subsets) {# Iniciar con los efectos principales terms <- me# Incluir interacciones solo si todos sus efectos principales están incluidos possible_interactions <- interaction_terms[sapply(interaction_terms, function(x) { vars_in_interaction <-unlist(strsplit(x, ":"))all(vars_in_interaction %in% me) }) ]# Generar todas las combinaciones de interacciones para incluir interaction_subsets <-list(NULL)if (length(possible_interactions) >0) { interaction_subsets <-lapply(1:length(possible_interactions), function(i) {combn(possible_interactions, i, simplify =FALSE) }) %>%unlist(recursive =FALSE) }# Para cada combinación de interacciones, crear el conjunto completo de términosfor (ints in interaction_subsets) {if (is.null(ints)) { full_terms <- terms } else { full_terms <-c(terms, ints) }# Añadir a la lista de combinaciones de términos term_combinations <-append(term_combinations, list(full_terms)) } }# Ajustar modelos para cada combinación de términosfor (terms in term_combinations) { formula <-as.formula(paste(y, "~", paste(terms, collapse ="+")))# Ajustar el modelo multinomial model <-tryCatch( nnet::multinom(formula, data = data, trace =FALSE),error =function(e) NULL,warning =function(w) NULL )# Si el modelo se ajustó correctamente, almacenar los resultadosif (!is.null(model)) {# Extraer el BIC del modelo bic <-BIC(model)# Almacenar la información en la lista de resultados results[[length(results) +1]] <-list(predictors =paste(terms, collapse =" + "),model = model,BIC = bic ) } } }# Convertir la lista de resultados en un dataframe results_df <- results %>% purrr::map_df(function(res) {data.frame(predictors = res$predictors,BIC = res$BIC,stringsAsFactors =FALSE ) })# Ordenar los modelos por BIC de menor a mayor results_df <- results_df %>%arrange(BIC)return(results_df)}best_subset_multinom_interactions_parallel <-function(y, x.vars, data) {# y Nombre de la variable dependiente (cadena de texto)# x.vars Vector de nombres de predictores (caracter)# data Dataframe con los datos de entrenamiento# Cargar las librerías necesarias dentro de la funciónrequire(dplyr)require(purrr)require(tidyr)require(nnet)require(MASS)require(foreach)require(doParallel)require(progressr)# Iniciar los gestores de progresohandlers(global =TRUE)handlers("txt")# Generar todas las combinaciones posibles de predictores (efectos principales) main_effects_list <-lapply(1:length(x.vars), function(i) {combn(x.vars, i, simplify =FALSE) }) %>%unlist(recursive =FALSE)# Inicializar una lista para almacenar las fórmulas de los modelos formulas_list <-list()# Generar todas las fórmulas posibles con interacciones hasta de 3 variablesfor (main_effects in main_effects_list) {# Generar términos de interacción de hasta 3 variables interaction_terms <-character(0) # Aseguramos que es un vector de caracteres# Para interacciones de 2 variablesif (length(main_effects) >=2) { interaction_terms_2way <-combn(main_effects, 2, function(x) paste(x, collapse =":"), simplify =TRUE) interaction_terms <-c(interaction_terms, interaction_terms_2way) }# Para interacciones de 3 variablesif (length(main_effects) >=3) { interaction_terms_3way <-combn(main_effects, 3, function(x) paste(x, collapse =":"), simplify =TRUE) interaction_terms <-c(interaction_terms, interaction_terms_3way) }# Generar todas las combinaciones posibles de efectos principales main_effects_subsets <-lapply(1:length(main_effects), function(i) {combn(main_effects, i, simplify =FALSE) }) %>%unlist(recursive =FALSE)# Para cada subconjunto de efectos principalesfor (me in main_effects_subsets) {# Iniciar con los efectos principales terms <- me# Identificar interacciones cuyos efectos principales están en 'me'if (length(interaction_terms) >0) { possible_interactions <- interaction_terms[vapply(interaction_terms, function(x) { vars_in_interaction <-unlist(strsplit(x, ":"))all(vars_in_interaction %in% me) }, FUN.VALUE =logical(1)) ] } else { possible_interactions <-character(0) }# Generar todas las combinaciones posibles de estas interacciones interaction_subsets <-list(character(0)) # Incluir el caso sin interaccionesif (length(possible_interactions) >0) { interaction_combinations <-lapply(1:length(possible_interactions), function(i) {combn(possible_interactions, i, simplify =FALSE) }) %>%unlist(recursive =FALSE) interaction_subsets <-c(interaction_subsets, interaction_combinations) }# Para cada combinación de interaccionesfor (ints in interaction_subsets) { full_terms <-c(terms, ints)# Crear la fórmula del modelo y almacenarla formula_str <-paste(y, "~", paste(full_terms, collapse ="+")) formulas_list <-append(formulas_list, list(formula_str)) } } }# Eliminar posibles duplicados de fórmulas formulas_list <-unique(formulas_list)# Total de modelos a ajustar total_models <-length(formulas_list)# Iniciar el progreso p <-progressor(steps = total_models)# Ajustar los modelos en paralelo usando foreach results_list <-foreach(i =1:total_models, .packages =c("nnet", "MASS"), .combine ='rbind') %dopar% { formula_str <- formulas_list[[i]] formula <-as.formula(formula_str)# Ajustar el modelo model <-tryCatch( nnet::multinom(formula, data = data, trace =FALSE),error =function(e) NULL,warning =function(w) NULL )# Actualizar el progresop(sprintf("Ajustando modelo %d de %d", i, total_models))# Si el modelo se ajustó correctamente, almacenar los resultadosif (!is.null(model)) { bic <-BIC(model)data.frame(predictors = formula_str,BIC = bic,stringsAsFactors =FALSE ) } else {NULL } }# Convertir los resultados a dataframe y ordenar por BIC results_df <-as.data.frame(results_list) results_df <- results_df %>%arrange(BIC)return(results_df)}num_cores <- parallel::detectCores() -1cl <-makeCluster(num_cores)registerDoParallel(cl)#pacman job kableExtra tidyverse cluster WeightedCluster devtools TraMineR TraMineRextras NbClust haven ggseqplot gridExtra Tmisc factoextra reticulate withr rmarkdown quartooptions(knitr.kable.NA ='')#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:##:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#knitr::knit_hooks$set(time_it =local({ now <-NULLfunction(before, options) {if (before) {# record the current time before each chunk now <<-Sys.time() } else {# calculate the time difference after a chunk res <-ifelse(difftime(Sys.time(), now)>(60^2),difftime(Sys.time(), now)/(60^2),difftime(Sys.time(), now)/(60^1))# return a character string to show the time x<-ifelse(difftime(Sys.time(), now)>(60^2),paste("Tiempo que demora esta sección:", round(res,1), "horas"),paste("Tiempo que demora esta sección:", round(res,1), "minutos"))paste('<div class="message">', gsub('##', '\n', x),'</div>', sep ='\n') } }}))knitr::opts_chunk$set(time_it =TRUE)#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:format_cells <-function(df, rows ,cols, value =c("italics", "bold", "strikethrough")){# select the correct markup# one * for italics, two ** for bold map <-setNames(c("*", "**", "~~"), c("italics", "bold", "strikethrough")) markup <- map[value] for (r in rows){for(c in cols){# Make sure values are not factors df[[c]] <-as.character( df[[c]])# Update formatting df[r, c] <-ifelse(nchar(df[r, c])==0,"",paste0(markup, gsub(" ", "", df[r, c]), markup)) } }return(df)}#To produce line breaks in messages and warningsknitr::knit_hooks$set(error =function(x, options) {paste('\n\n<div class="alert alert-danger">',gsub('##', '\n', gsub('^##\ Error', '**Error**', x)),'</div>', sep ='\n') },warning =function(x, options) {paste('\n\n<div class="alert alert-warning">',gsub('##', '\n', gsub('^##\ Warning:', '**Warning**', x)),'</div>', sep ='\n') },message =function(x, options) {paste('<div class="message">',gsub('##', '\n', x),'</div>', sep ='\n') })#_#_#_#_#_#_#_#_#_#_#_#_#_invisible("Function to format CreateTableOne into a database")as.data.frame.TableOne <-function(x, ...) {capture.output(print(x,showAllLevels =TRUE, varLabels = T,...) -> x) y <-as.data.frame(x) y$characteristic <- dplyr::na_if(rownames(x), "") y <- y %>%fill(characteristic, .direction ="down") %>% dplyr::select(characteristic, everything())rownames(y) <-NULL y}#_#_#_#_#_#_#_#_#_#_#_#_#_# Austin, P. C. (2009). The Relative Ability of Different Propensity # Score Methods to Balance Measured Covariates Between # Treated and Untreated Subjects in Observational Studies. Medical # Decision Making. https://doi.org/10.1177/0272989X09341755smd_bin <-function(x,y){ z <- x*(1-x) t <- y*(1-y) k <-sum(z,t) l <- k/2return((x-y)/sqrt(l))}#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:if(.Platform$OS.type =="windows") withAutoprint({memory.size()memory.size(TRUE)memory.limit()})
> memory.size()
[1] Inf
> memory.size(TRUE)
[1] Inf
> memory.limit()
[1] Inf
Código
#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:func_tab_range_clus<-function(range_clus){rbind.data.frame(lapply(list(as.vector(rev(sort(table(range_clus$clustering$cluster2)))),as.vector(rev(sort(table(range_clus$clustering$cluster3)))),as.vector(rev(sort(table(range_clus$clustering$cluster4)))),as.vector(rev(sort(table(range_clus$clustering$cluster5)))),as.vector(rev(sort(table(range_clus$clustering$cluster6)))),as.vector(rev(sort(table(range_clus$clustering$cluster7)))),as.vector(rev(sort(table(range_clus$clustering$cluster8)))),as.vector(rev(sort(table(range_clus$clustering$cluster9)))),as.vector(rev(sort(table(range_clus$clustering$cluster10)))),as.vector(rev(sort(table(range_clus$clustering$cluster11)))),as.vector(rev(sort(table(range_clus$clustering$cluster12)))),as.vector(rev(sort(table(range_clus$clustering$cluster13)))),as.vector(rev(sort(table(range_clus$clustering$cluster14)))),as.vector(rev(sort(table(range_clus$clustering$cluster15)))) ),function(x) { length_out <-max(sapply(list(as.vector(rev(sort(table(range_clus$clustering$cluster2)))),as.vector(rev(sort(table(range_clus$clustering$cluster3)))),as.vector(rev(sort(table(range_clus$clustering$cluster4)))),as.vector(rev(sort(table(range_clus$clustering$cluster5)))),as.vector(rev(sort(table(range_clus$clustering$cluster6)))),as.vector(rev(sort(table(range_clus$clustering$cluster7)))),as.vector(rev(sort(table(range_clus$clustering$cluster8)))),as.vector(rev(sort(table(range_clus$clustering$cluster9)))),as.vector(rev(sort(table(range_clus$clustering$cluster10)))),as.vector(rev(sort(table(range_clus$clustering$cluster11)))),as.vector(rev(sort(table(range_clus$clustering$cluster12)))),as.vector(rev(sort(table(range_clus$clustering$cluster13)))),as.vector(rev(sort(table(range_clus$clustering$cluster14)))),as.vector(rev(sort(table(range_clus$clustering$cluster15)))) ), length))c(x, rep(NA, length_out -length(x))) } ))%>%t() |>data.frame()%>%`rownames<-`(NULL)}frobenius_norm <-function(matrix1, matrix2) {if (!all(dim(matrix1) ==dim(matrix2))) {stop("Matrices must have the same dimensions") }# Replace NA values with 0 (or any other desired default) matrix1[is.na(matrix1)] <-0 matrix2[is.na(matrix2)] <-0# Calculate the residuals residuals <- matrix1 - matrix2# Frobenius norm frobenius <-sqrt(sum(residuals^2))return(frobenius)}#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:confcqi2 <-function(nullstat, quant, n){ alpha <- (1-quant)/2#calpha <- alpha+(alpha-1)/n#print(c(calpha, alpha))#minmax <- quantile(nullstat, c(calpha, 1-calpha)) minmax <-quantile(nullstat, c(alpha, 1-alpha))return(minmax)}normstatcqi2 <-function(bcq, stat, norm=TRUE){ origstat <- bcq$clustrange$stats[, stat] nullstat <- bcq$stats[[stat]]#normstat <- rbind(nullstat, origstat)if(norm){for(i inseq_along(origstat)){ mx <-mean(nullstat[, i]) sdx <-sd(nullstat[, i]) nullstat[ , i] <- (nullstat[, i]-mx)/sdx origstat[i] <- (origstat[i]-mx)/sdx } } alldatamax <-apply(nullstat, 1, max)#as.vector(xx) sumcqi <-list(origstat=origstat, nullstat=nullstat, alldatamax=alldatamax)return(sumcqi)}print.seqnullcqi.powder <-function(x, norm =FALSE, quant =0.95, digits =2, append =FALSE, ...) {cat("Parametric bootstrap cluster analysis validation\n")cat("Sequence analysis null model:", deparse(x$nullmodel), "\n")cat("Number of bootstraps:", x$R, "\n")cat("Clustering method:", ifelse(x$kmedoid, "PAM/K-Medoid", paste0("hclust with ", x$hclust.method)), "\n")cat("Seqdist arguments:", deparse(x$seqdist.args), "\n\n\n") alls <-as.data.frame(x$clustrange$stats) quants <-rep("", ncol(alls))names(quants) <-colnames(alls)for (ss incolnames(alls)) { sumcqi <-normstatcqi2(x, stat = ss, norm = norm) alls[, ss] <-as.character(round(sumcqi$origstat, digits = digits)) borne <-as.character(round(confcqi2(sumcqi$alldatamax, quant, x$R), digits = digits)) quants[ss] <-paste0("[", borne[1], "; ", borne[2], "]") } results_tibble <- tibble::as_tibble(rbind(alls, rep("", length(quants)), quants))# Print a summary to the console for immediate feedbackrownames(results_tibble) <-c(rownames(x$clustrange$stats), "", paste("Null Max-T", quant, "interval")) results_df <-as.data.frame(results_tibble)print(results_tibble, ...)return(list(results_tibble= results_tibble, results_df= results_df ))}#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:##:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:# Función para aplicar la prueba de Fisher a todas las combinaciones de filas usando todas las columnasfisher_posthoc_all_cols <-function(contingency_table) {# Obtener combinaciones de filas (pares) row_pairs <-combn(rownames(contingency_table), 2, simplify =FALSE)# Aplicar la prueba de Fisher a cada par de filas usando todas las columnas al mismo tiempo results <-map_dfr(row_pairs, function(pair) {# Crear tabla de 2xN para el par de filas en todas las columnas sub_table <- contingency_table[pair, , drop =FALSE]# Aplicar el test de Fisher test_result <-fisher.test(sub_table, simulate.p.value=T,B=1e4)# Devolver los resultados en un data frametibble(Row1 = pair[1],Row2 = pair[2],p.value = test_result$p.value ) })# Ajustar p-valores usando el método de Holm results <- results %>%mutate(p.adjusted =p.adjust(p.value, method ="holm"))return(results)}#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:save_base_plot_as_grob <-function(plot_expr, res=300, width =1600, height=1200) {# Crea un archivo temporal con extensión .png filename <-tempfile(fileext =".png")# Guarda el gráfico en alta resolución en el archivo temporalpng(filename, width = width, height = height, res = res)replayPlot(plot_expr) # Reproduce el gráfico grabadodev.off() # Cierra el dispositivo gráfico# Convierte el archivo PNG en un objeto gráfico (grob) grob <- grid::rasterGrob(png::readPNG(filename), interpolate =TRUE)return(grob) # Devuelve el grob}#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:chisq_cramerv<-function(contingency_table){ chisq_test <-chisq.test(contingency_table) cramers_v <-sqrt(chisq_test$statistic / (sum(contingency_table) * (min(dim(contingency_table)) -1)))list(chisq_statistic=sprintf("%1.2f", chisq_test$statistic), chisq_df= chisq_test$parameter, chisq_p_value =ifelse(chisq_test$p.value<.001, "<0.001", sprintf("%1.4f", chisq_test$p.value)), cramers_v =sprintf("%1.2f", cramers_v))}#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#oneway_anova_effect_size <-function(values, group) {# Perform one-way ANOVA anova_result <-aov(values ~ group)# Summarize ANOVA results anova_summary <-summary(anova_result)# Extract sums of squares ss_between <- anova_summary[[1]]$"Sum Sq"[1] ss_total <-sum(anova_summary[[1]]$"Sum Sq")# Calculate eta-squared eta_squared <- ss_between / ss_total# Return ANOVA summary and effect sizelist(anova_summary = anova_summary,eta_squared = eta_squared )}
Resultados
1. Trimestral
1.2. Sensibilidad= PAM (OM), sol 7 cluster- diagnósticos
Código
invisible("Información sobre la solución")invisible("H:/Mi unidad/PERSONAL ANDRES/UCH_salud_publica/asignaturas/un_inv_II/_hist_sintaxis/un_inv_ii5_explorar_soluciones.R")# invisible("Hacemos clasificación de pertenencia cluster y ponemos etiquetas")ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$clus_pam_om7 <-factor(pamRange_quarter_om$clustering$cluster7,levels=rev(attr( sort(table(pamRange_quarter_om$clustering$cluster7)), "name")),labels=c("6035, Un trimestre, TSM(6)", "6025, Un trimestre, TUS(5)", "5939, Un semestre TSM(3)", "5989, Comorbilidad un trimestre(4)", "6036, TSM, 1 año después, otras causas(7)", "5710, TSM, 1 año después, TSM(1)","5935, TSM, 6 meses después, TSM(2)" ))invisible("Me da buena: 0,61 en promedio. Se mantiene. El problema está con 5710 es negativo")sil_pam_om_clus7_q_nostd<-silhouette(as.integer(pamRange_quarter_om$clustering$cluster7), as.dist(dist_quarter_om))# Crear etiquetas personalizadascluster_labels7 <-paste0("Cluster ", seq_along(attr(summary(sil_pam_om_clus7_q_nostd)$clus.avg.widths, "dimnames")[[1]]), ":\nAWS ", sprintf("%1.2f",summary(sil_pam_om_clus7_q_nostd)$clus.avg.widths))# Graficar con etiquetas personalizadasfviz_silhouette( sil_pam_om_clus7_q_nostd, lab.clusters = cluster_labels7, # Etiquetas personalizadas para los clústeresprint.summary=F) +scale_fill_grey(start =0.2, end =0.8, labels = cluster_labels7) +# Escala de grisesscale_color_grey(start =0.2, end =0.8, labels = cluster_labels7)+# Escala de grises para los bordeaggtitle(NULL)+labs(y="Ancho medio de la silueta", x="Conglomerados")# Elimina el título
De la figura se desprende que el conglomerado 5710, Un año despues, TSM tiene un ajuste promedio negativo. En menor medida, el conglomerado 6036, TSM, 1 año después, otras causas, tiene algunos valores de ancho de silueta negativos. Posteriormente vemos una tabla de contingencia para entender el origen de los nuevos conglomerados.
Código
# Crear la tabla de frecuencias proporcionales redondeadatabla_proporciones <-round(prop.table(table(pamRange_quarter_om$clustering$cluster7, pamRange_quarter_om$clustering$cluster4), 2), 2)# Convertir la tabla a un formato limpio con kableknitr::kable(tabla_proporciones, caption ="Proporciones de Clusters, Solución de 7 vs. 4 conglomerados", col.names =c("5939, Un semestre TSM(1)", "5989, Comorbilidad un trimestre(2)", "6025, Un trimestre, TUS(3)", "6035, Un trimestre, TSM(4)"), align ="c")
Proporciones de Clusters, Solución de 7 vs. 4 conglomerados
5939, Un semestre TSM(1)
5989, Comorbilidad un trimestre(2)
6025, Un trimestre, TUS(3)
6035, Un trimestre, TSM(4)
5710
0.09
0.02
0.01
0.02
5935
0.02
0.01
0.00
0.03
5939
0.88
0.00
0.00
0.00
5989
0.00
0.97
0.00
0.00
6025
0.00
0.00
0.99
0.00
6035
0.00
0.00
0.00
0.91
6036
0.00
0.00
0.00
0.04
Tiempo que demora esta sección: 0 minutos
Una comparación con las agrupaciones de la solución de 4 conglomerados identifica que el conglomerado 6035, Un trimestre, TSM(4) conserva el 91% de sus observaciones originales. yendo un 4% a representar el 100% de las observaciones del conglomerado 6036: TSM, 1 año después, otras causas(7), el 3% se desprende al conglomerado 5935: TSM, 6 meses después, TSM(2) y el 2% restante se incorpora al conglomerado 5710, que está compuesto en un 70% por este mismo grupo. Por otra parte, el conglomerado 5939: Un semestre, TSM(3) conserva el 88% de sus observaciones originales. Del porcentaje restante, un 9% se transfiere al conglomerado 5710, donde representa el 23% de este último, y un 2% se dirige al conglomerado 5935, representando el 6% de dicho grupo.
Vemos los diagnósticos que vienen después de aquellos cluster con más de un ingreso.
Código
# "6036, TSM, 1 año después, otras causas(7)", # "5710, TSM, 1 año después, TSM(1)",# "5935, TSM, 6 meses después, TSM(2)"diag_pam_om7_q_6036<-df_filled %>% dplyr::filter(run %in%subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, clus_pam_om7=="6036, TSM, 1 año después, otras causas(7)")$run) %>% dplyr::select(run, diag1, diag2, diag3, diag4, diag5, diag6, diag7, diag8, diag9, diag10, diag11, fecha_egreso_rec_fmt, estab_homo) %>% dplyr::group_by(run) %>% dplyr::filter(row_number() !=1) %>%# Elimina la primera observación de cada run dplyr::mutate(all_diags =paste(na.omit(c(diag1, diag2, diag3, diag4, diag5, diag6, diag7, diag8, diag9, diag10, diag11)), collapse =", ") ) %>% dplyr::summarise(all_diags =first(all_diags),fecha_egreso_rec_fmt =first(fecha_egreso_rec_fmt),estab_homo =first(estab_homo) ) %>% dplyr::ungroup() %>% dplyr::pull(all_diags) %>%# Extraer la columna all_diags como vectorstrsplit(split =", ") %>%# Separar cada diagnóstico por comasunlist() # Convertir la lista en un vectorinvisible("head(arrange(data.frame(table(diag_pam_om7_q_6036)) |> mutate(across(1, as.character)), -Freq),10) |> dput()")invisible("Para chatgpt= estos son códigos de CIE-10, descríbeme brevemente cada uno en markdown en formato 'Cód. CIE-10 (n=Freq) - [descripción] '")
Tiempo que demora esta sección: 0 minutos
Entre quienes se encontraron ingresados en el sistemas por TSM, y luego de un año son ingresados por otras causas, esas causas posteriores abarcan principalmente:
O800 (n=17) - Parto único espontáneo
F192 (n=16) - Dependencia de múltiples sustancias y otros trastornos relacionados
E101 (n=15) - Diabetes mellitus insulinodependiente con cetoacidosis
Z370 (n=14) - Nacimiento de un solo bebé nacido vivo
Z518 (n=13) - Atención médica específica, no especificada
N390 (n=12) - Infección del tracto urinario, sitio no especificado
F322 (n=11) - Episodio depresivo grave sin síntomas psicóticos
F609 (n=11) - Trastorno de la personalidad no especificado
G409 (n=9) - Epilepsia no especificada
F603 (n=8) - Trastorno de la personalidad emocionalmente inestable
Código
# "5935, TSM, 6 meses después, TSM(1)"diag_pam_om7_q_5710<-df_filled %>% dplyr::filter(run %in%subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, clus_pam_om7=="5710, TSM, 1 año después, TSM(1)")$run) %>% dplyr::select(run, diag1, diag2, diag3, diag4, diag5, diag6, diag7, diag8, diag9, diag10, diag11, fecha_egreso_rec_fmt, estab_homo) %>% dplyr::group_by(run) %>% dplyr::filter(row_number() !=1) %>%# Elimina la primera observación de cada run dplyr::mutate(all_diags =paste(na.omit(c(diag1, diag2, diag3, diag4, diag5, diag6, diag7, diag8, diag9, diag10, diag11)), collapse =", ") ) %>% dplyr::summarise(all_diags =first(all_diags),fecha_egreso_rec_fmt =first(fecha_egreso_rec_fmt),estab_homo =first(estab_homo) ) %>% dplyr::ungroup() %>% dplyr::pull(all_diags) %>%# Extraer la columna all_diags como vectorstrsplit(split =", ") %>%# Separar cada diagnóstico por comasunlist() # Convertir la lista en un vectorinvisible("head(arrange(data.frame(table(diag_pam_om7_q_5710)) |> mutate(across(1, as.character)), -Freq),10) |> dput()")invisible("Para chatgpt= estos son códigos de CIE-10, descríbeme brevemente cada uno en markdown en formato 'Cód. CIE-10 (n=Freq) - [descripción] '")
Tiempo que demora esta sección: 0 minutos
Entre las trayectorias que ingresaron por trastornos de salud mental, y posteriormente reingreesaron por las mismas causas un año después (5710), estas son las principales causas por las que reingresan posteriormente:
F603 (n=65) - Trastorno de la personalidad emocionalmente inestable
F329 (n=50) - Episodio depresivo no especificado
F609 (n=50) - Trastorno de la personalidad no especificado
F322 (n=43) - Episodio depresivo grave sin síntomas psicóticos
F209 (n=42) - Esquizofrenia no especificada
F319 (n=39) - Trastorno afectivo no especificado
F200 (n=38) - Esquizofrenia paranoide
F192 (n=31) - Dependencia de múltiples sustancias y otros trastornos relacionados
C490 (n=29) - Neoplasia maligna del tejido blando, sitio no especificado
G909 (n=21) - Trastorno del sistema nervioso, no especificado
Código
diag_pam_om7_q_5935<-df_filled %>% dplyr::filter(run %in%subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, clus_pam_om7=="5935, TSM, 6 meses después, TSM(2)")$run) %>% dplyr::select(run, diag1, diag2, diag3, diag4, diag5, diag6, diag7, diag8, diag9, diag10, diag11, fecha_egreso_rec_fmt, estab_homo) %>% dplyr::group_by(run) %>% dplyr::filter(row_number() !=1) %>%# Elimina la primera observación de cada run dplyr::mutate(all_diags =paste(na.omit(c(diag1, diag2, diag3, diag4, diag5, diag6, diag7, diag8, diag9, diag10, diag11)), collapse =", ") ) %>% dplyr::summarise(all_diags =first(all_diags),fecha_egreso_rec_fmt =first(fecha_egreso_rec_fmt),estab_homo =first(estab_homo) ) %>% dplyr::ungroup() %>% dplyr::pull(all_diags) %>%# Extraer la columna all_diags como vectorstrsplit(split =", ") %>%# Separar cada diagnóstico por comasunlist() # Convertir la lista en un vectorinvisible("head(arrange(data.frame(table(diag_pam_om7_q_5710)) |> mutate(across(1, as.character)), -Freq),10) |> dput()")invisible("Para chatgpt= estos son códigos de CIE-10, descríbeme brevemente cada uno en markdown en formato 'Cód. CIE-10 (n=Freq) - [descripción] '")
Tiempo que demora esta sección: 0 minutos
Entre quienes experimentaron una trayectoria conssitente en ingresar por trastornos de salud mental, y luego de 6 meses reingresar por las mismas causas, (5935), se encuentran los siguientes diagnósticos al reingreso:
F603 (n=65) - Trastorno de la personalidad emocionalmente inestable
F329 (n=50) - Episodio depresivo no especificado
F609 (n=50) - Trastorno de la personalidad no especificado
F322 (n=43) - Episodio depresivo grave sin síntomas psicóticos
F209 (n=42) - Esquizofrenia no especificada
F319 (n=39) - Trastorno afectivo no especificado
F200 (n=38) - Esquizofrenia paranoide
F192 (n=31) - Dependencia de múltiples sustancias y otros trastornos relacionados
C490 (n=29) - Neoplasia maligna del tejido blando, sitio no especificado
G909 (n=21) - Trastorno del sistema nervioso, no especificado
Generamos un gráfico de PPOO por cada conglomerado.
Código
ppoo_clus_pre_pam_om7_q<- df_filled[,c("run","glosa_pueblo_originario")] %>% dplyr::left_join(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens[,c("run", "clus_pam_om7","factor_inclusivo_real_hist_mas_autperc")], by="run", multiple="first") %>% dplyr::mutate(glosa_pueblo_originario_rec= dplyr::case_when(glosa_pueblo_originario=="NINGUNO"& factor_inclusivo_real_hist_mas_autperc!="00"~"DESCONOCIDO", T~glosa_pueblo_originario)) %>% janitor::tabyl(glosa_pueblo_originario_rec, clus_pam_om7) %>% janitor::adorn_percentages("row")#scale_fill_manual(values = rev(c("#D2B48C", "#E27A5B", "#708090", "#6B8E23", "#506070" , "#2F4F4F", "#20B2AA"))) +reshape2::melt(ppoo_clus_pre_pam_om7_q, id.vars ="glosa_pueblo_originario_rec") %>% dplyr::mutate(glosa_pueblo_originario_rec= dplyr::recode(glosa_pueblo_originario_rec, "OTRO (ESPECIFICAR)"="OTRO(n=77)", "RAPA NUI (PASCUENSE)"="RAPA NUI(n=34)", "YAGÁN (YÁMANA)"="YAGÁN(n=2)","AYMARA"="AYMARA(n=13)","COLLA"="COLLA(n=6)","DIAGUITA"="DIAGUITA(n=3)","KAWÉSQAR"="KAWÉSQAR(n=4)","MAPUCHE"="MAPUCHE(n=255)","DESCONOCIDO"=".DESCONOCIDO(n=1.985)","NINGUNO"=".NINGUNO(n=9.156)")) %>%ggplot(aes(x = glosa_pueblo_originario_rec, y = value, fill = variable)) +geom_bar(stat ="identity", position ="fill") +scale_fill_manual(values =c("6035, Un trimestre, TSM(6)"="#D2B48C","6025, Un trimestre, TUS(5)"="#E27A5B","Un semestre TSM(3)"="#708090","5989, Comorbilidad un trimestre(4)"="#6B8E23","6036, TSM, 1 año después, otras causas(7)"="#506070","5710, TSM, 1 año después, TSM(1)"="#2F4F4F","5935, TSM, 6 meses después, TSM(2)"="#20B2AA")) +labs(title =NULL,x ="Grupo Étnico",y ="Proporción de Casos",fill ="Grupos") +# Cambia el título de la leyenda a "Grupos"theme_minimal() +theme(axis.text.y =element_text(size =12), # Tamaño de las etiquetas de los grupos étnicosaxis.text.x =element_text(size =12), # Tamaño de las etiquetas del eje Xaxis.title.x =element_text(size =14), # Tamaño del título del eje Xaxis.title.y =element_text(size =14), # Tamaño del título del eje Yplot.title =NULL, # Tamaño y estilo del título del gráficolegend.title =element_text(size =14, margin =margin(b =-.1)), # Tamaño del título de la leyendalegend.spacing.y =unit(1.5, "lines"),legend.box.spacing =unit(0.5, "lines"), # Controla el espacio entre la leyenda y el gráficolegend.margin =margin(5, 5, 5, 5), legend.key.height =unit(1, "cm"), legend.text =element_text(size =12) # Tamaño del texto de la leyenda ) +coord_flip() # Hacer el gráfico horizontalggsave("_figs/grafico_ancho_achatado_pam_om7_q.png", width =10, height =5, dpi=1000)
PPOO por cluster
Tiempo que demora esta sección: 0.1 minutos
Vemos que en los ingresados Rapa Nui, hay una importante proporción de participantes (50%) son clasificados en el conglomerado “5710, TSM, 1 año después, TSM”.
1.2.1. Trayectorias
Vemos los gráficos de las trayectorias
Código
categories_pam_om7_q<-attr(States_Wide.seq_quarter_t_prim_adm_cens, "labels")new_labels <- categories_pam_om7_qnew_labels[which(categories_pam_om7_q =="Otras causas")] <-"Otras\ncausas"#new_labels[which(categories == "Consumo\nde sustancias")] <- "Consumo de\nsustancias"# Creamos un vector con las columnas llenando con NA si faltan valoressil_pam_om_clus7_q <-wcSilhouetteObs(as.dist(dist_quarter_om), pamRange_quarter_om$clustering$cluster7, measure="ASW")seq_plot_pam_om7_q <-ggseqiplot(States_Wide.seq_quarter_t_prim_adm_cens, group= ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$clus_pam_om7,facet_ncol=2, facet_nrow=4, sortv=sil_pam_om_clus7_q) +theme(legend.position ="none")+labs(x="Trimestres", y="# IDs de usuarios")+#guides(fill = guide_legend(nrow = 1))+theme(panel.spacing =unit(0.1, "lines"), # Reduce el espaciado entre los panelesaxis.text.y =element_text(size =15), # Tamaño de las etiquetas de los grupos étnicosaxis.text.x =element_text(size =15), # Tamaño de las etiquetas del eje Xaxis.title.x =element_text(size =15), # Tamaño del título del eje Xaxis.title.y =element_text(size =15, margin =margin(r =-10)),#,margin = margin(l = -10)),strip.text =element_text(size =15, margin =margin(b =-15, t=10)),legend.text =element_text(size =15),legend.spacing.x =unit(0.1, 'cm'), # Alinea el título de la leyenda hacia la izquierdalegend.box.margin =margin(t =0, r =0, b =0, l =-50),legend.position ="bottom", legend.justification ="left",panel.spacing.y =unit(0.2, "lines"),plot.margin =margin(10, 10, 10, 10), # Ajusta márgenes globalesstrip.placement ="outside", # Para colocar las tiras fuera de los ejesstrip.background =element_blank() # Elimina el fondo para que parezca más espacioso#legend.key.size = unit(1.5, "lines"), # Aumenta el tamaño de los símbolos en la leyenda )+guides(fill =guide_legend(nrow =1)) +scale_fill_manual(labels = new_labels, values=c("#E2725B", "#556B2F", "#D2B48C",#"#8B4513","#FFFFFF","#808080","#000000"))+scale_color_manual(labels = new_labels, values=c("#E2725B", "#556B2F", "#D2B48C",#"#8B4513","#FFFFFF","#808080","#000000"))seq_plot_pam_om7_q ggsave(filename="_figs/clusters_pam_om7_q_mod.png", seq_plot_pam_om7_q, width =12*.95, height =8*.95, dpi=1000)
Trayectorias de hospitalización, orden de sujetos según el primer estado observado y su duración, representando a cada individuo como una línea en el gráfico (observaciones ordenadas de acuerdo a ASW)
Tiempo que demora esta sección: 0.4 minutos
Código
seq_plot2_pam_om7_q <-ggseqdplot(States_Wide.seq_quarter_t_prim_adm_cens, group= ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$clus_pam_om7,facet_ncol=2, facet_nrow=4) +theme(legend.position ="none")+# Colocar la leyenda abajolabs(x="Trimestres", y="Frecuencia relativa de estados")+theme(panel.spacing =unit(0.1, "lines"),axis.text.y =element_text(size =15), # Tamaño de las etiquetas de los grupos étnicosaxis.text.x =element_text(size =15), # Tamaño de las etiquetas del eje Xaxis.title.x =element_text(size =15), # Tamaño del título del eje Xaxis.title.y =element_text(size =15, margin =margin(r =-5)),strip.text =element_text(size =15),panel.spacing.y =unit(0.5, "lines"),strip.placement ="outside", # Para colocar las tiras fuera de los ejesstrip.background =element_blank() # Elimina el fondo para que parezca más espacioso#legend.key.size = unit(1.5, "lines"), # Aumenta el tamaño de los símbolos en la leyenda ) # Colocar la leyenda abajoseq_plot2_pam_om7_qggsave("_figs/clusterspam_om72_q_mod.png",seq_plot2_pam_om7_q, width =12, height =8, dpi=1000)table_data_pam_om7_q <-sprintf("%1.2f",pamRange_quarter_om$stats[3,])table_data_pam_om7_q <-as.data.frame(t(table_data_pam_om7_q))colnames(table_data_pam_om7_q)<-attr(pamRange_quarter_om$stats, "name")table_data_pam_om7_q %>% knitr::kable()
PBC
HG
HGSD
ASW
ASWw
CH
R2
CHsq
R2sq
HC
0.50
0.67
0.67
0.60
0.60
922.92
0.31
1269.60
0.39
0.18
Trayectorias de hospitalización, frecuencia relativa de estados en un gráfico de barras apiladas por trimestre.
Trayectorias de hospitalización, frecuencia relativa de estados en un gráfico de barras apiladas por trimestre.
Tiempo que demora esta sección: 0.2 minutos
De este modo, presenta el cambio agregado en la distribución de estados a lo largo del tiempo, sin considerar las secuencias individuales.
Código
invisible("Definimos las observaciones que tienen siluetas negativas")sil_neg_pam_om_clus7_q <-which(sil_pam_om_clus7_q<0)invisible("A qué conglomerados pertenecen?")table(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens[sil_neg_pam_om_clus7_q, "clus_pam_om7"])ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$rn<-1:nrow(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens)
clus_pam_om7
6035, Un trimestre, TSM(6)
0
6025, Un trimestre, TUS(5)
0
5939, Un semestre TSM(3)
0
5989, Comorbilidad un trimestre(4)
0
6036, TSM, 1 año después, otras causas(7)
23
5710, TSM, 1 año después, TSM(1)
86
5935, TSM, 6 meses después, TSM(2)
3
Tiempo que demora esta sección: 0 minutos
1.2.2.Exploración transiciones
1.2.2.a Transiciones- RM y no RM
Tasas de transición no RM a RM y viceversa
Código
invisible("Tasas de transición no RM a RM y viceversa")trim_tasa_pam_om7_q_cens_cnt<-seqcount_t(States_Wide.seq_quarter_t_prim_adm_RM_cens, group=ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$clus_pam_om7) %>% dplyr::filter(count>0) %>% dplyr::mutate(trans =paste0(from,"_", to)) %>% dplyr::mutate(across(c("from","to"),~gsub("\\[->\\s*|\\s*->\\s*\\]|\\[|\\]", "", .))) trim_tasa_pam_om7_q_cens_rate<-seqtrate_t(States_Wide.seq_quarter_t_prim_adm_RM_cens, group=ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$clus_pam_om7) %>% dplyr::filter(rate>0) %>% dplyr::mutate(trans =paste0(from,"_", to)) %>% dplyr::mutate(across(c("from","to"),~gsub("\\[->\\s*|\\s*->\\s*\\]|\\[|\\]", "", .)))
Tiempo que demora esta sección: 0 minutos
Código
trim_tasa_pam_om7_q_cens_rate %>% dplyr::left_join(trim_tasa_pam_om7_q_cens_cnt, by=c("from"="from", "glosa_sexo"="glosa_sexo","to"="to")) %>% dplyr::rename("recuento"="count") %>% dplyr::filter(from %in%c("RM", "noRM")) %>%ggplot(aes(x = from, y = to, fill = rate, size=log(recuento+1))) +geom_tile() +coord_flip()+scale_fill_gradient(low ="white", high ="blue") +# Ajusta la escala de colores según tus preferenciaslabs(title ="Tasas de transición, Trimestre (s/censura)",x ="Desde",y ="Hacia",fill ="Rate") +theme_minimal() +facet_wrap(~glosa_sexo)+theme(axis.text.x =element_text(angle =45, hjust =1))+geom_text(aes(label =sprintf("%1.2f", rate), size =log(recuento+1)*.5), color ="black")invisible("Hay muy pocos casos que se entrecruzan entre noRM y RM (fuera de la diagnonal)")
Porcentajes de transición no-RM y RM por cada cluster
Tiempo que demora esta sección: 0.1 minutos
Hay muy pocos casos que se entrecruzan entre noRM y RM (fuera de la diagnonal)
trim_tasa2_pam_om7_q_cens_rate %>% dplyr::left_join(trim_tasa2_pam_om7_q_cens_cnt, by=c("from"="from", "glosa_sexo"="glosa_sexo","to"="to")) %>% dplyr::rename("recuento"="count") %>%#dplyr::filter(from %in% c("RM", "noRM")) %>% ggplot(aes(x = from, y = to, fill = rate, size=log(recuento+1))) +geom_tile() +coord_flip()+scale_fill_gradient(low ="white", high ="blue") +# Ajusta la escala de colores según tus preferenciaslabs(title ="Tasas de transición, Trimestre (s/censura)",x ="Desde",y ="Hacia",fill ="Rate") +theme_minimal() +facet_wrap(~glosa_sexo)+theme(axis.text.x =element_text(angle =45, hjust =1))+geom_text(aes(label =sprintf("%1.2f", rate), size =log(recuento+1)*.5), color ="black")
Porcentajes de transición, transiciones posteriores, por cada cluster
Tiempo que demora esta sección: 0.1 minutos
1.2.2.c Tiempo promedio por cluster
Código
seq_mean_t(States_Wide.seq_quarter_t_prim_adm_cens, group=ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$clus_pam_om7) %>% data.table::as.data.table(keep.rowname=T) %>% dplyr::mutate(rn=gsub("\\d", "", rn)) |>ggplot(aes(x=rn, fill= factor_inclusivo, y=Mean))+geom_bar(width =1, stat ="identity") +theme_minimal() +facet_wrap(~factor_inclusivo)+labs(title =NULL,x =NULL,y =NULL) +scale_fill_manual(values =rev(c("#D2B48C", "#E27A5B", "#708090", "#6B8E23", "#506070" , "#2F4F4F", "#20B2AA"))) +coord_flip()+theme(#axis.text.x = element_blank(),#axis.text.y = element_blank(),panel.grid =element_blank()) +# scale_fill_brewer(palette = "Pastel1", labels=c("Sin\nautoidentificación\nni reconocimiento", "Autoidentificación\nsin reconocimiento", "Ambas")) +geom_text(aes(label =round(Mean,1)), position =position_stack(vjust =0.5), size =3.5, # Ajusta el tamaño de la fuente aquícolor ="black", # Color del textofamily ="sans", # Puedes cambiar la fuente si lo deseasbackground =element_rect(fill ="white", color =NA)) +# Fondo blancotheme(legend.title =element_blank(), legend.position=c(.8,.15))invisible("No me aporta mucho")
Tiempo promedio en cada estado por estatus PPOO (Trimestral c/censura)
Tiempo que demora esta sección: 0.1 minutos
Observamos que aquellos en el conglomerado que se encuentra ingresada por trastornos de salud mental y luego vuelve, la duración de los ingresos relacionados con trastornos de salud mental son en promedio casi dos veces más largos.
1.2.3. Comparación variables
1.2.3.a. Comparación covariables- PPOO
Código
ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens %>% dplyr::count(clus_pam_om7, factor_inclusivo_real_hist_mas_autperc) %>% dplyr::group_by(clus_pam_om7) %>% dplyr::mutate(n_prop =paste0(n, " (",scales::percent(n /sum(n)),")")) %>% dplyr::select(-n) %>% tidyr::pivot_wider(names_from = factor_inclusivo_real_hist_mas_autperc, values_from = n_prop, values_fill ="0")%>% knitr::kable("markdown", col.names=c("Conglomerados","No se identifica/no pertenece", "No se identifica/hay reconocimiento", "Se identifica/hay reconocimeinto"), caption="Porcentajes por fila, conglomerado vs. Pertenencia/identificación + Reconocimento CONADI PPOO")invisible("6025 tiwnw un poxo mas PPOO, lo mismo con 5710")
Porcentajes por fila, conglomerado vs. Pertenencia/identificación + Reconocimento CONADI PPOO
Conglomerados
No se identifica/no pertenece
No se identifica/hay reconocimiento
Se identifica/hay reconocimeinto
6035, Un trimestre, TSM(6)
3528 (80.7%)
487 (11.1%)
357 (8.2%)
6025, Un trimestre, TUS(5)
534 (78.5%)
79 (11.6%)
67 (9.9%)
5939, Un semestre TSM(3)
258 (82.4%)
34 (10.9%)
21 (6.7%)
5989, Comorbilidad un trimestre(4)
173 (84.4%)
18 (8.8%)
14 (6.8%)
6036, TSM, 1 año después, otras causas(7)
150 (79.4%)
23 (12.2%)
16 (8.5%)
5710, TSM, 1 año después, TSM(1)
116 (81.7%)
15 (10.6%)
11 (7.7%)
5935, TSM, 6 meses después, TSM(2)
104 (75.91%)
16 (11.68%)
17 (12.41%)
Tiempo que demora esta sección: 0 minutos
Vemos las categorías de clasificación de PPOO según autopercepción (en MINSAL y en RSH) y reconocimiento CONADI.
Tabla de contingencia, PPOO (proporción por columna)
pueblo_originario_01
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
0
4240 (97.0%)
655 (96.3%)
302 (96.5%)
201 (98.0%)
185 (97.9%)
134 (94.4%)
133 (97.1%)
1
132 (3.0%)
25 (3.7%)
11 (3.5%)
4 (2.0%)
4 (2.1%)
8 (5.6%)
4 (2.9%)
Tiempo que demora esta sección: 0 minutos
Tampoco se observa asociación alguna. Hicimos una prueba post-hoc usando Bonferroni
1.2.3.b. Comparación covariables- Mortalidad
Código
# invisible("No hay nada, el tiempo promedio de censura es similar")ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens %>% dplyr::mutate(death_time_rec=ifelse(death_time==20,0,1)) %>% janitor::tabyl(clus_pam_om7,death_time_rec) %>% dplyr::mutate(`1`=paste0(`1`," (", scales::percent(`1`/(`0`+`1`), accuracy=.1),")")) %>% dplyr::left_join(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens %>% dplyr::group_by(clus_pam_om7) %>% dplyr::summarise(mean=sprintf("%1.1f",mean(cens_time))), by="clus_pam_om7") %>% dplyr::select(-`0`) %>% knitr::kable("markdown", col.names=c("Conglomerado","Mortalidad observada", "Promedio"), caption="Post-hoc, conglomerado vs. Mortalidad y tiempo a censura")
Post-hoc, conglomerado vs. Mortalidad y tiempo a censura
Conglomerado
Mortalidad observada
Promedio
6035, Un trimestre, TSM(6)
40 (0.9%)
17.9
6025, Un trimestre, TUS(5)
13 (1.9%)
18.2
5939, Un semestre TSM(3)
7 (2.2%)
18.0
5989, Comorbilidad un trimestre(4)
4 (2.0%)
18.1
6036, TSM, 1 año después, otras causas(7)
2 (1.1%)
17.8
5710, TSM, 1 año después, TSM(1)
3 (2.1%)
18.1
5935, TSM, 6 meses después, TSM(2)
1 (0.7%)
17.9
Tiempo que demora esta sección: 0 minutos
Código
ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens %>% dplyr::mutate(death_time_rec=ifelse(death_time==20,0,1)) %>% janitor::tabyl(death_time_rec,clus_pam_om7) %>% janitor::chisq.test(correct=T)#X-squared = 11.293, df = 6, p-value = 0.07972ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens %>% dplyr::mutate(death_time_rec=ifelse(death_time==20,0,1)) %>% janitor::tabyl(death_time_rec,clus_pam_om7) %>% janitor::fisher.test(simulate.p.value=T, B=1e5)#p-value = 0.04477chisq_cramerv(with(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens%>% dplyr::mutate(death_time_rec=ifelse(death_time==20,0,1)), table(death_time_rec , clus_pam_om7)))message("Descartando valores negativos en sil width")chisq_cramerv(with(subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, !rn %in% sil_neg_pam_om_clus7_q)%>% dplyr::mutate(death_time_rec=ifelse(death_time==20,0,1)), table(death_time_rec , clus_pam_om7)))subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, !rn %in% sil_neg_pam_om_clus7_q) %>% dplyr::mutate(death_time_rec=ifelse(death_time==20,0,1)) %>% janitor::tabyl(death_time_rec,clus_pam_om7) %>% janitor::fisher.test(simulate.p.value=T, B=1e5)#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_##_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_tab_cl_mortalidad_pam_om7_q<- ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens %>% dplyr::mutate(death_time_rec=ifelse(death_time==20,0,1)) |> janitor::tabyl(death_time_rec,clus_pam_om7) |>as.matrix(ncol=2)labels_pam_om7_q <-c("6035, Un trimestre, TSM(6)","6025, Un trimestre, TUS(5)","Un semestre TSM(3)","5989, Comorbilidad un trimestre(4)","6036, TSM, 1 año después, otras causas(7)","5710, TSM, 1 año después, TSM(1)","5935, TSM, 6 meses después, TSM(2)")# Realizar el análisis y crear la tabla directamentepairwise.prop.test(t(tab_cl_mortalidad_pam_om7_q[,2:ncol(tab_cl_mortalidad_pam_om7_q)]), p.adjust.method ="holm")$p.value |>as.table() |>as.data.frame() |>rename(Grupo_1 = Var1, Grupo_2 = Var2, p_value = Freq) |>filter(!is.na(p_value)) |>mutate(Grupo_1 = labels_pam_om7_q[as.numeric(Grupo_1)],Grupo_2 = labels_pam_om7_q[as.numeric(Grupo_2)],p_value =ifelse(p_value <.001, "<.001", sprintf("%1.3f",p_value)) ) |>kable(col.names =c("Grupo 1", "Grupo 2", "Valor p ajustado"),align ="l",caption="Corrección parcial por comparaciones múltiples (Holm–Bonferroni)" )
Pearson's Chi-squared test
data: .
X-squared = 11.293, df = 6, p-value = 0.07972
Fisher's Exact Test for Count Data with simulated p-value (based on
1e+05 replicates)
data: .
p-value = 0.04379
alternative hypothesis: two.sided
$chisq_statistic
[1] "11.29"
$chisq_df
df
6
$chisq_p_value
[1] "0.0797"
$cramers_v
[1] "0.04"
$chisq_statistic
[1] "10.42"
$chisq_df
df
6
$chisq_p_value
[1] "0.1080"
$cramers_v
[1] "0.04"
Fisher's Exact Test for Count Data with simulated p-value (based on
1e+05 replicates)
data: .
p-value = 0.05476
alternative hypothesis: two.sided
Corrección parcial por comparaciones múltiples (Holm–Bonferroni)
Grupo 1
Grupo 2
Valor p ajustado
6035, Un trimestre, TSM(6)
6035, Un trimestre, TSM(6)
0.628
6025, Un trimestre, TUS(5)
6035, Un trimestre, TSM(6)
0.970
Un semestre TSM(3)
6035, Un trimestre, TSM(6)
1.000
5989, Comorbilidad un trimestre(4)
6035, Un trimestre, TSM(6)
1.000
6036, TSM, 1 año después, otras causas(7)
6035, Un trimestre, TSM(6)
1.000
5710, TSM, 1 año después, TSM(1)
6035, Un trimestre, TSM(6)
1.000
6025, Un trimestre, TUS(5)
6025, Un trimestre, TUS(5)
1.000
Un semestre TSM(3)
6025, Un trimestre, TUS(5)
1.000
5989, Comorbilidad un trimestre(4)
6025, Un trimestre, TUS(5)
1.000
6036, TSM, 1 año después, otras causas(7)
6025, Un trimestre, TUS(5)
1.000
5710, TSM, 1 año después, TSM(1)
6025, Un trimestre, TUS(5)
1.000
Un semestre TSM(3)
Un semestre TSM(3)
1.000
5989, Comorbilidad un trimestre(4)
Un semestre TSM(3)
1.000
6036, TSM, 1 año después, otras causas(7)
Un semestre TSM(3)
1.000
5710, TSM, 1 año después, TSM(1)
Un semestre TSM(3)
1.000
5989, Comorbilidad un trimestre(4)
5989, Comorbilidad un trimestre(4)
1.000
6036, TSM, 1 año después, otras causas(7)
5989, Comorbilidad un trimestre(4)
1.000
5710, TSM, 1 año después, TSM(1)
5989, Comorbilidad un trimestre(4)
1.000
6036, TSM, 1 año después, otras causas(7)
6036, TSM, 1 año después, otras causas(7)
1.000
5710, TSM, 1 año después, TSM(1)
6036, TSM, 1 año después, otras causas(7)
1.000
5710, TSM, 1 año después, TSM(1)
5710, TSM, 1 año después, TSM(1)
1.000
Tiempo que demora esta sección: 0 minutos
No se constata una asociación entre la pertenencia a un conglomerado y mortalidad.
Código
# Cargar las librerías necesariaslibrary(survival)
Adjuntando el paquete: ‘survival’
The following object is masked from ‘package:survminer’:
myeloma
Código
library(ggplot2)# Crear la variable de supervivenciaing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$surv_obj_7c <-Surv(time = ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$death_time,event =ifelse(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$death_time==20,0,1))# Realizar el análisis de Log-Rank (survdiff)surv_diff_7c <-survdiff(surv_obj_7c ~ clus_pam_om7,data = ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens)# Mostrar los resultados del testprint(surv_diff_7c)
Call:
survdiff(formula = surv_obj_7c ~ clus_pam_om7, data = ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens)
N Observed Expected
clus_pam_om7=6035, Un trimestre, TSM(6) 4372 40 50.72
clus_pam_om7=6025, Un trimestre, TUS(5) 680 13 7.86
clus_pam_om7=5939, Un semestre TSM(3) 313 7 3.62
clus_pam_om7=5989, Comorbilidad un trimestre(4) 205 4 2.36
clus_pam_om7=6036, TSM, 1 año después, otras causas(7) 189 2 2.19
clus_pam_om7=5710, TSM, 1 año después, TSM(1) 142 3 1.64
clus_pam_om7=5935, TSM, 6 meses después, TSM(2) 137 1 1.59
(O-E)^2/E (O-E)^2/V
clus_pam_om7=6035, Un trimestre, TSM(6) 2.2656 8.2256
clus_pam_om7=6025, Un trimestre, TUS(5) 3.3527 3.7771
clus_pam_om7=5939, Un semestre TSM(3) 3.1427 3.3144
clus_pam_om7=5989, Comorbilidad un trimestre(4) 1.1327 1.1723
clus_pam_om7=6036, TSM, 1 año después, otras causas(7) 0.0169 0.0175
clus_pam_om7=5710, TSM, 1 año después, TSM(1) 1.1188 1.1457
clus_pam_om7=5935, TSM, 6 meses después, TSM(2) 0.2192 0.2243
Chisq= 11.2 on 6 degrees of freedom, p= 0.08
Pairwise comparisons using Log-Rank test
data: ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens and clus_pam_om7
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5) 0.37
5939, Un semestre TSM(3) 0.48
5989, Comorbilidad un trimestre(4) 1.00
6036, TSM, 1 año después, otras causas(7) 1.00
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
6025, Un trimestre, TUS(5)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) 1.00
5989, Comorbilidad un trimestre(4) 1.00
6036, TSM, 1 año después, otras causas(7) 1.00
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
5939, Un semestre TSM(3)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) -
5989, Comorbilidad un trimestre(4) 1.00
6036, TSM, 1 año después, otras causas(7) 1.00
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
5989, Comorbilidad un trimestre(4)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) -
5989, Comorbilidad un trimestre(4) -
6036, TSM, 1 año después, otras causas(7) 1.00
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
6036, TSM, 1 año después, otras causas(7)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) -
5989, Comorbilidad un trimestre(4) -
6036, TSM, 1 año después, otras causas(7) -
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
5710, TSM, 1 año después, TSM(1)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) -
5989, Comorbilidad un trimestre(4) -
6036, TSM, 1 año después, otras causas(7) -
5710, TSM, 1 año después, TSM(1) -
5935, TSM, 6 meses después, TSM(2) 1.00
P value adjustment method: holm
Código
message("Sin siluetas negativas")
Sin siluetas negativas
Código
surv_diff_7c_neg_sil <-survdiff(Surv(time = death_time,event =ifelse(death_time==20,0,1)) ~ clus_pam_om7,data =subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, !rn %in% sil_neg_pam_om_clus7_q))# Mostrar los resultados del testprint(surv_diff_7c_neg_sil)
Call:
survdiff(formula = Surv(time = death_time, event = ifelse(death_time ==
20, 0, 1)) ~ clus_pam_om7, data = subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens,
!rn %in% sil_neg_pam_om_clus7_q))
N Observed Expected
clus_pam_om7=6035, Un trimestre, TSM(6) 4372 40 50.20
clus_pam_om7=6025, Un trimestre, TUS(5) 680 13 7.79
clus_pam_om7=5939, Un semestre TSM(3) 313 7 3.59
clus_pam_om7=5989, Comorbilidad un trimestre(4) 205 4 2.34
clus_pam_om7=6036, TSM, 1 año después, otras causas(7) 166 2 1.90
clus_pam_om7=5710, TSM, 1 año después, TSM(1) 56 1 0.64
clus_pam_om7=5935, TSM, 6 meses después, TSM(2) 134 1 1.54
(O-E)^2/E (O-E)^2/V
clus_pam_om7=6035, Un trimestre, TSM(6) 2.07321 7.92111
clus_pam_om7=6025, Un trimestre, TUS(5) 3.49278 3.94444
clus_pam_om7=5939, Un semestre TSM(3) 3.24399 3.42476
clus_pam_om7=5989, Comorbilidad un trimestre(4) 1.17785 1.21984
clus_pam_om7=6036, TSM, 1 año después, otras causas(7) 0.00474 0.00488
clus_pam_om7=5710, TSM, 1 año después, TSM(1) 0.20232 0.20425
clus_pam_om7=5935, TSM, 6 meses después, TSM(2) 0.18910 0.19349
Chisq= 10.4 on 6 degrees of freedom, p= 0.1
Pairwise comparisons using Log-Rank test
data: subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, and clus_pam_om7 !rn %in% sil_neg_pam_om_clus7_q) and clus_pam_om7
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5) 0.37
5939, Un semestre TSM(3) 0.48
5989, Comorbilidad un trimestre(4) 1.00
6036, TSM, 1 año después, otras causas(7) 1.00
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
6025, Un trimestre, TUS(5)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) 1.00
5989, Comorbilidad un trimestre(4) 1.00
6036, TSM, 1 año después, otras causas(7) 1.00
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
5939, Un semestre TSM(3)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) -
5989, Comorbilidad un trimestre(4) 1.00
6036, TSM, 1 año después, otras causas(7) 1.00
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
5989, Comorbilidad un trimestre(4)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) -
5989, Comorbilidad un trimestre(4) -
6036, TSM, 1 año después, otras causas(7) 1.00
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
6036, TSM, 1 año después, otras causas(7)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) -
5989, Comorbilidad un trimestre(4) -
6036, TSM, 1 año después, otras causas(7) -
5710, TSM, 1 año después, TSM(1) 1.00
5935, TSM, 6 meses después, TSM(2) 1.00
5710, TSM, 1 año después, TSM(1)
6025, Un trimestre, TUS(5) -
5939, Un semestre TSM(3) -
5989, Comorbilidad un trimestre(4) -
6036, TSM, 1 año después, otras causas(7) -
5710, TSM, 1 año después, TSM(1) -
5935, TSM, 6 meses después, TSM(2) 1.00
P value adjustment method: holm
Código
# Ajustar el modelo de Kaplan-Meierkm_fit_7c <-survfit(surv_obj_7c ~ clus_pam_om7,data = ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens)# Extraer los datos del modelo Kaplan-Meier para usar con ggplotkm_data_7c <-data.frame(time = km_fit_7c$time,surv = km_fit_7c$surv,upper = km_fit_7c$upper,lower = km_fit_7c$lower,strata =rep(c("6035, Un trimestre, TSM(6)", "6025, Un trimestre, TUS(5)", "5939, Un semestre TSM(3)", "5989, Comorbilidad un trimestre(4)", "6036, TSM, 1 año después, otras causas(7)", "5710, TSM, 1 año después, TSM(1)", "5935, TSM, 6 meses después, TSM(2)"), km_fit_7c$strata))biostat3::survRate(Surv(time = death_time,event =ifelse(death_time==20,0,1)) ~ clus_pam_om7, data= ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens) %>% dplyr::mutate(across(c("rate", "lower", "upper"),~sprintf("%1.2f",.*10000)))
clus_pam_om7
clus_pam_om7=6035, Un trimestre, TSM(6) 6035, Un trimestre, TSM(6)
clus_pam_om7=6025, Un trimestre, TUS(5) 6025, Un trimestre, TUS(5)
clus_pam_om7=5939, Un semestre TSM(3) 5939, Un semestre TSM(3)
clus_pam_om7=5989, Comorbilidad un trimestre(4) 5989, Comorbilidad un trimestre(4)
clus_pam_om7=6036, TSM, 1 año después, otras causas(7) 6036, TSM, 1 año después, otras causas(7)
clus_pam_om7=5710, TSM, 1 año después, TSM(1) 5710, TSM, 1 año después, TSM(1)
clus_pam_om7=5935, TSM, 6 meses después, TSM(2) 5935, TSM, 6 meses después, TSM(2)
tstop event rate
clus_pam_om7=6035, Un trimestre, TSM(6) 86874.069 40 4.60
clus_pam_om7=6025, Un trimestre, TUS(5) 13438.762 13 9.67
clus_pam_om7=5939, Un semestre TSM(3) 6186.389 7 11.32
clus_pam_om7=5989, Comorbilidad un trimestre(4) 4041.071 4 9.90
clus_pam_om7=6036, TSM, 1 año después, otras causas(7) 3754.653 2 5.33
clus_pam_om7=5710, TSM, 1 año después, TSM(1) 2809.175 3 10.68
clus_pam_om7=5935, TSM, 6 meses después, TSM(2) 2724.808 1 3.67
lower upper
clus_pam_om7=6035, Un trimestre, TSM(6) 3.29 6.27
clus_pam_om7=6025, Un trimestre, TUS(5) 5.15 16.54
clus_pam_om7=5939, Un semestre TSM(3) 4.55 23.31
clus_pam_om7=5989, Comorbilidad un trimestre(4) 2.70 25.34
clus_pam_om7=6036, TSM, 1 año después, otras causas(7) 0.65 19.24
clus_pam_om7=5710, TSM, 1 año después, TSM(1) 2.20 31.21
clus_pam_om7=5935, TSM, 6 meses después, TSM(2) 0.09 20.45
Código
# Crear el gráfico de Kaplan-Meier con ggplot2ggplot(km_data_7c, aes(x = time, y = surv, color = strata)) +geom_step(size =1.2) +# Curvas de supervivencia#geom_ribbon(aes(ymin = lower, ymax = upper, fill = strata), alpha = 0.2, color = NA) + # Intervalos de confianzalabs(title ="Curvas de Kaplan-Meier",x ="Tiempo (meses)",y ="Probabilidad de Supervivencia",color ="Grupo",fill ="Grupo" ) +theme_minimal() +theme(legend.position ="bottom")
Al parecer, el conglomerado 6025, Un trimestre, TUS(5) tendría una proporción significativamente mayor que el resto de pacientes fuera de la RM, aunque con una fuerza de asociación débil. En contraste, el conglomerado 5939, Un semestre TSM(3) tiene una proporción mayor de personas en la RM.
Código
new_labels <-c(grp1 ="6035, Un trimestre, TSM(6) - Fuera de RM",grp2 ="6025, Un trimestre, TUS(5) - Fuera de RM",grp3 ="5939, Un semestre TSM(3) - Fuera de RM",grp4 ="5989, Comorbilidad un trimestre(4) - Fuera de RM",grp5 ="6036, TSM, 1 año después, otras causas(7) - Fuera de RM",grp6 ="5710, TSM, 1 año después, TSM(1) - Fuera de RM",grp7 ="5935, TSM, 6 meses después, TSM(2) - Fuera de RM",grp8 ="6035, Un trimestre, TSM(6) - En RM",grp9 ="6025, Un trimestre, TUS(5) - En RM",grp10 ="5939, Un semestre TSM(3) - En RM",grp11 ="5989, Comorbilidad un trimestre(4) - En RM",grp12 ="6036, TSM, 1 año después, otras causas(7) - En RM",grp13 ="5710, TSM, 1 año después, TSM(1) - En RM",grp14 ="5935, TSM, 6 meses después, TSM(2) - En RM")pairwise_chisq_gof_test(table(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$clus_pam_om7,ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens$codigo_region_rec_base), p.adjust.method="holm")|> dplyr::mutate(group1 = new_labels[group1],group2 = new_labels[group2] ) |> dplyr::filter(!grepl("Fuera de", group1)) |> dplyr::filter(!grepl("Fuera de", group2)) |> dplyr::mutate(p_value =ifelse(p.adj <.001, "<.001", sprintf("%1.3f",p.adj)) ) |> dplyr::select(group1, group2, p_value) |> knitr::kable("markdown", caption="Dependencia categórica sol. 7 conglomerados, por pares de categorías en RM")
Dependencia categórica sol. 7 conglomerados, por pares de categorías en RM
De la tabla anterior, se observa que participantes pertenecientes al conglomerado “6025, Un trimestre, TUS(3)” presenta una menor proporción de residentes de la Región Metropolitana. Por otra parte, participantes pertenecientes al conglomerado ” 5989, Comorbilidad un trimestre(2)” pertenecen en mayor proporción a la RM.
1.2.3.e. Comparación covariables- Región
Código
tab_cluster_region_pam_om7_q<-ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens %>% dplyr::inner_join(data_long_establecimiento_2024_std[,c("ESTAB_HOMO", "codigo_region", "nivel_de_atencion", "nivel_de_complejidad")], by =c("estab_homo_base"="ESTAB_HOMO"), multiple ="first") %>% janitor::tabyl(codigo_region, clus_pam_om7) %>% janitor::adorn_percentages("col") %>% janitor::adorn_rounding(digits =2)#colnames(tab_cluster_region_pam_om4_q)<- c("reg", "c1", "c4", "c3", "c5", "c6", "c7", "c8", "c9", "c2")cod_reg_homo_pam_om7_q<-data.frame(codigo_region =1:16,nombre_region =c("Región de Tarapacá","Región de Antofagasta","Región de Atacama","Región de Coquimbo","Región de Valparaíso","Región del Libertador General Bernardo O'Higgins","Región del Maule","Región del Biobío","Región de La Araucanía","Región de Los Lagos","Región de Aysén del General Carlos Ibáñez del Campo","Región de Magallanes y de la Antártica Chilena","Región Metropolitana de Santiago","Región de Los Ríos","Región de Arica y Parinacota","Región de Ñuble" ),stringsAsFactors =FALSE)dplyr::mutate(tab_cluster_region_pam_om7_q, promedio_fila =rowMeans(across(2:length(colnames(tab_cluster_region_pam_om7_q))))) %>% dplyr::arrange(desc(promedio_fila)) %>% dplyr::left_join(cod_reg_homo_pam_om7_q, by="codigo_region") %>% dplyr::select(codigo_region, nombre_region, everything()) %>% dplyr::select(-promedio_fila) %>% dplyr::mutate_at(3:(length(colnames(tab_cluster_region_pam_om7_q))+1),~scales::percent(.)) %>% knitr::kable(caption="Porcentaje por región")
Porcentaje por región
codigo_region
nombre_region
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
13
Región Metropolitana de Santiago
45%
36%
48%
57%
44.0%
46%
46%
8
Región del Biobío
10%
9%
9%
9%
12.0%
11%
12%
5
Región de Valparaíso
9%
13%
10%
6%
5.0%
8%
9%
10
Región de Los Lagos
6%
20%
5%
10%
7.0%
1%
9%
7
Región del Maule
4%
3%
3%
4%
8.0%
4%
4%
9
Región de La Araucanía
5%
4%
5%
4%
3.0%
5%
4%
6
Región del Libertador General Bernardo O’Higgins
4%
3%
5%
2%
4.0%
1%
1%
14
Región de Los Ríos
3%
3%
2%
0%
2.0%
3%
3%
1
Región de Tarapacá
2%
1%
1%
1%
2.0%
6%
2%
12
Región de Magallanes y de la Antártica Chilena
1%
2%
2%
1%
2.0%
4%
3%
2
Región de Antofagasta
2%
1%
4%
1%
1.0%
4%
1%
16
Región de Ñuble
2%
2%
2%
1%
3.0%
4%
0%
11
Región de Aysén del General Carlos Ibáñez del Campo
2%
2%
1%
3%
2.0%
1%
1%
3
Región de Atacama
2%
1%
2%
0%
1.0%
1%
1%
4
Región de Coquimbo
1%
1%
1%
0%
2.0%
1%
1%
15
Región de Arica y Parinacota
2%
0%
0%
0%
3.0%
1%
1%
Tiempo que demora esta sección: 0 minutos
A partir de la tabla, salta a la vista un importante porcentaje de pacientes clasificados en el conglomerado 6025, Un trimestre, TUS (20%) que fue atendido en la Región de Los Lagos. 5989, Comorbilidad un trimestre(4) y 6036, TSM, 1 año después, otras causas(7) se encuentran en menor proporción en la Región de Valparaíso (~5%), en contraste con 6025, Un trimestre, TUS(5) (13%). Por otra parte, un 8% de los pacientes clasificados en 6036, TSM, 1 año después, otras causas(7) fue atendido en la Región del Maule.
Porcentajes por columna, conglomerado vs. macrozona
macrozona
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
Macrozona Austral
146 (6.0%)
27 (6.2%)
9 (5.5%)
8 (9.0%)
7 (6.7%)
6 (7.9%)
6 (8.1%)
Macrozona Centro
423 (17.5%)
90 (20.5%)
33 (20.1%)
12 (13.5%)
12 (11.4%)
12 (15.8%)
14 (18.9%)
Macrozona Centro Sur
875 (36.2%)
114 (26.0%)
60 (36.6%)
33 (37.1%)
52 (49.5%)
28 (36.8%)
24 (32.4%)
Macrozona Norte
368 (15.2%)
27 (6.2%)
25 (15.2%)
5 (5.6%)
12 (11.4%)
17 (22.4%)
8 (10.8%)
Macrozona Sur
606 (25.1%)
180 (41.1%)
37 (22.6%)
31 (34.8%)
22 (21.0%)
13 (17.1%)
22 (29.7%)
Tiempo que demora esta sección: 0 minutos
Hay una asociación significativa aunque débil entre macrozona y pertenencia a cluster.
Los conglomerados 5989, Comorbilidad un trimestre (4) y 6036, TSM, 1 año después, otras causas (7) concentran un porcentaje reducido en la Macrozona Centro (~6%). En contraste, este último conglomerado alcanza una mayor proporción en la Macrozona Centro Sur (28%). Por otro lado, el conglomerado 5710, TSM, 1 año después, TSM (1) registra su mayor porcentaje en la Macrozona Norte (12%), mientras que el conglomerado 5989, Comorbilidad un trimestre (4) representa solo un 2% en esa misma macrozona. En la Macrozona Sur, los pacientes del conglomerado 6025, Un trimestre, TUS (5) tienen la mayor proporción (26%), en comparación con el conglomerado 5710, TSM, 1 año después, TSM (1), que alcanza solo un 9%.
pairwise_chisq_gof_test(dplyr::filter(tab_clus_macrozona_pam_om7_q,macrozona!="RM")[-1], p.adjust.method="holm")|> knitr::kable("markdown", caption="Dependencia categórica sol. 7 conglomerados, por pares de categorías en Macrozona (corrección Holm-Bonferroni)")#Groups sharing a letter are not significantlt different (alpha = 0.05)
Dependencia categórica sol. 7 conglomerados, por pares de categorías en Macrozona (corrección Holm-Bonferroni)
n
group1
group2
statistic
p
df
p.adj
p.adj.signif
2856
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
69.612238
0.00e+00
4
0.00e+00
****
2582
6035, Un trimestre, TSM(6)
5939, Un semestre TSM(3)
1.070704
8.99e-01
4
1.00e+00
ns
2507
6035, Un trimestre, TSM(6)
5989, Comorbilidad un trimestre(4)
10.574181
3.18e-02
4
5.09e-01
ns
2523
6035, Un trimestre, TSM(6)
6036, TSM, 1 año después, otras causas(7)
8.727121
6.83e-02
4
9.56e-01
ns
2494
6035, Un trimestre, TSM(6)
5710, TSM, 1 año después, TSM(1)
4.867423
3.01e-01
4
1.00e+00
ns
2492
6035, Un trimestre, TSM(6)
5935, TSM, 6 meses después, TSM(2)
2.413760
6.60e-01
4
1.00e+00
ns
602
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
27.463633
1.60e-05
4
2.88e-04
***
527
6025, Un trimestre, TUS(5)
5989, Comorbilidad un trimestre(4)
6.796041
1.47e-01
4
1.00e+00
ns
543
6025, Un trimestre, TUS(5)
6036, TSM, 1 año después, otras causas(7)
31.585051
2.30e-06
4
4.43e-05
****
514
6025, Un trimestre, TUS(5)
5710, TSM, 1 año después, TSM(1)
33.574321
9.00e-07
4
1.82e-05
****
512
6025, Un trimestre, TUS(5)
5935, TSM, 6 meses después, TSM(2)
5.489528
2.41e-01
4
1.00e+00
ns
253
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
10.225693
3.68e-02
4
5.52e-01
ns
269
5939, Un semestre TSM(3)
6036, TSM, 1 año después, otras causas(7)
6.368393
1.73e-01
4
1.00e+00
ns
240
5939, Un semestre TSM(3)
5710, TSM, 1 año después, TSM(1)
3.250521
5.17e-01
4
1.00e+00
ns
238
5939, Un semestre TSM(3)
5935, TSM, 6 meses después, TSM(2)
2.621867
6.23e-01
4
1.00e+00
ns
194
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
7.455505
1.14e-01
4
1.00e+00
ns
165
5989, Comorbilidad un trimestre(4)
5710, TSM, 1 año después, TSM(1)
13.665226
8.44e-03
4
1.43e-01
ns
163
5989, Comorbilidad un trimestre(4)
5935, TSM, 6 meses después, TSM(2)
2.723922
6.05e-01
4
1.00e+00
ns
181
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
5.959863
2.02e-01
4
1.00e+00
ns
179
6036, TSM, 1 año después, otras causas(7)
5935, TSM, 6 meses después, TSM(2)
6.162680
1.87e-01
4
1.00e+00
ns
150
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
5.990222
2.00e-01
4
1.00e+00
ns
Tiempo que demora esta sección: 0 minutos
Las pruebas post-hoc muestran que un mayor porcentaje de pacientes 6035, Un trimestre, TSM(6) se concentran en la macrozona norte y menos en la macrozona sur. En cambio, 6025, Un trimestre, TUS(5) concentra un mayor porcentaje en la macrozona sur y menos en la macrozona norte.
Hay una asociación con una fuerza débil-moderada entre la pertenencia a un conglomerado y el sexo. 6025, Un trimestre, TUS(5) y 5989, Comorbilidad un trimestre(4) concentran un mayor porcentaje de pacientes hombres (~70%). En contraste, 6036, TSM, 1 año después, otras causas(7) y 5935, TSM, 6 meses después, TSM(2) concentran un mayor porcentaje de mujeres (~69%).
pairwise_chisq_gof_test(tab_clus_sexo_pam_om7_q[-1], p.adjust.method="holm")|> dplyr::mutate(p= dplyr::case_when(p<0.001~"<0.001",T~sprintf("%1.3f",p)))|> dplyr::mutate(p.adj= dplyr::case_when(p.adj<0.001~"<0.001",T~sprintf("%1.3f",p.adj)))|> knitr::kable("markdown", caption="Dependencia categórica sol. 7 conglomerados, por pares de categorías en Sexo (corrección Holm-Bonferroni)")
Dependencia categórica sol. 7 conglomerados, por pares de categorías en Sexo (corrección Holm-Bonferroni)
n
group1
group2
statistic
p
df
p.adj
p.adj.signif
5052
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
182.4118030
<0.001
1
<0.001
****
4685
6035, Un trimestre, TSM(6)
5939, Un semestre TSM(3)
0.2298956
0.632
1
1.000
ns
4577
6035, Un trimestre, TSM(6)
5989, Comorbilidad un trimestre(4)
56.1638036
<0.001
1
<0.001
****
4561
6035, Un trimestre, TSM(6)
6036, TSM, 1 año después, otras causas(7)
8.9328319
0.003
1
0.031
*
4514
6035, Un trimestre, TSM(6)
5710, TSM, 1 año después, TSM(1)
0.0163655
0.898
1
1.000
ns
4509
6035, Un trimestre, TSM(6)
5935, TSM, 6 meses después, TSM(2)
7.1056873
0.008
1
0.077
ns
993
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
76.6621238
<0.001
1
<0.001
****
885
6025, Un trimestre, TUS(5)
5989, Comorbilidad un trimestre(4)
0.0376805
0.846
1
1.000
ns
869
6025, Un trimestre, TUS(5)
6036, TSM, 1 año después, otras causas(7)
94.0107092
<0.001
1
<0.001
****
822
6025, Un trimestre, TUS(5)
5710, TSM, 1 año después, TSM(1)
41.5921404
<0.001
1
<0.001
****
817
6025, Un trimestre, TUS(5)
5935, TSM, 6 meses después, TSM(2)
75.7242289
<0.001
1
<0.001
****
518
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
38.8329016
<0.001
1
<0.001
****
502
5939, Un semestre TSM(3)
6036, TSM, 1 año después, otras causas(7)
4.3167312
0.038
1
0.339
ns
455
5939, Un semestre TSM(3)
5710, TSM, 1 año después, TSM(1)
0.0008237
0.977
1
1.000
ns
450
5939, Un semestre TSM(3)
5935, TSM, 6 meses después, TSM(2)
3.8244648
0.050
1
0.404
ns
394
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
55.4644048
<0.001
1
<0.001
****
347
5989, Comorbilidad un trimestre(4)
5710, TSM, 1 año después, TSM(1)
25.3219783
<0.001
1
<0.001
****
342
5989, Comorbilidad un trimestre(4)
5935, TSM, 6 meses después, TSM(2)
47.7144351
<0.001
1
<0.001
****
331
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
3.3362983
0.068
1
0.475
ns
326
6036, TSM, 1 año después, otras causas(7)
5935, TSM, 6 meses después, TSM(2)
0.0000000
1.000
1
1.000
ns
279
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
3.1258269
0.077
1
0.475
ns
Tiempo que demora esta sección: 0 minutos
Los conglomerados con mayor porcentaje de mujeres son 6035, Un trimestre, TSM(6), 6036, TSM, 1 año después, otras causas(7) y 5935, TSM, 6 meses después, TSM(2). En cambio,5989, Comorbilidad un trimestre(4) y 6025, Un trimestre, TUS(5) tienen un menor porcentaje de mujeres.
Edad promedio primer ingreso con intervalo de confianza por conglomerado
Tiempo que demora esta sección: 0.1 minutos
Código
invisible("Prueba de Levene par igualdad de varianzas")with(dt_ing_calendar_quarter_t_desde_primera_adm_dedup %>% dplyr::filter(quarter ==0) %>% dplyr::inner_join(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens[,c("run","clus_pam_om7")], by="run"), car::leveneTest(min_edad_anos, clus_pam_om7))#Sig.anova_clus_pam_om7_q <-oneway.test(min_edad_anos ~ clus_pam_om7, data = dt_ing_calendar_quarter_t_desde_primera_adm_dedup %>% dplyr::filter(quarter ==0) %>% dplyr::inner_join(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens[,c("run","clus_pam_om7")], by="run"),var.equal = T)with(dt_ing_calendar_quarter_t_desde_primera_adm_dedup %>% dplyr::filter(quarter ==0) %>% dplyr::inner_join(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens[,c("run","clus_pam_om7")], by="run"), oneway_anova_effect_size (min_edad_anos, clus_pam_om7))# Ver los resultados del ANOVAprint(anova_clus_pam_om7_q)message("Descartando valores negativos en sil width")with(dt_ing_calendar_quarter_t_desde_primera_adm_dedup %>% dplyr::filter(quarter ==0) %>% dplyr::inner_join(subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, !rn %in% sil_neg_pam_om_clus7_q)[,c("run","clus_pam_om7")], by="run"), oneway.test(min_edad_anos ~ clus_pam_om7,var.equal = F) )
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
group 6 1.4057 0.2082
6031
$anova_summary
Df Sum Sq Mean Sq F value Pr(>F)
group 6 3184 530.7 28.81 <2e-16 ***
Residuals 6031 111109 18.4
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
$eta_squared
[1] 0.02786208
One-way analysis of means
data: min_edad_anos and clus_pam_om7
F = 28.809, num df = 6, denom df = 6031, p-value < 2.2e-16
One-way analysis of means (not assuming equal variances)
data: min_edad_anos and clus_pam_om7
F = 28.535, num df = 6.00, denom df = 407.74, p-value < 2.2e-16
Post-hoc, conglomerado vs. Promedio días de tratamiento
Conglomerado1
Conglomerado2
Estimación
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
1.92 [1.40, 2.45], p= <0.001
6035, Un trimestre, TSM(6)
5939, Un semestre TSM(3)
-0.85 [-1.58, -0.13], p= 0.009
6035, Un trimestre, TSM(6)
5989, Comorbilidad un trimestre(4)
1.21 [0.32, 2.10], p= 0.001
6035, Un trimestre, TSM(6)
6036, TSM, 1 año después, otras causas(7)
-0.05 [-0.98, 0.87], p= 1.000
6035, Un trimestre, TSM(6)
5710, TSM, 1 año después, TSM(1)
-0.39 [-1.47, 0.69], p= 0.933
6035, Un trimestre, TSM(6)
5935, TSM, 6 meses después, TSM(2)
-1.47 [-2.53, -0.41], p= 0.001
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
-2.77 [-3.62, -1.93], p= <0.001
6025, Un trimestre, TUS(5)
5989, Comorbilidad un trimestre(4)
-0.71 [-1.70, 0.29], p= 0.348
6025, Un trimestre, TUS(5)
6036, TSM, 1 año después, otras causas(7)
-1.97 [-3.00, -0.95], p= <0.001
6025, Un trimestre, TUS(5)
5710, TSM, 1 año después, TSM(1)
-2.31 [-3.48, -1.14], p= <0.001
6025, Un trimestre, TUS(5)
5935, TSM, 6 meses después, TSM(2)
-3.39 [-4.54, -2.24], p= <0.001
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
2.07 [0.96, 3.17], p= <0.001
5939, Un semestre TSM(3)
6036, TSM, 1 año después, otras causas(7)
0.80 [-0.34, 1.94], p= 0.366
5939, Un semestre TSM(3)
5710, TSM, 1 año después, TSM(1)
0.46 [-0.80, 1.73], p= 0.932
5939, Un semestre TSM(3)
5935, TSM, 6 meses después, TSM(2)
-0.62 [-1.87, 0.63], p= 0.761
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
-1.27 [-2.52, -0.02], p= 0.045
5989, Comorbilidad un trimestre(4)
5710, TSM, 1 año después, TSM(1)
-1.60 [-2.97, -0.24], p= 0.010
5989, Comorbilidad un trimestre(4)
5935, TSM, 6 meses después, TSM(2)
-2.68 [-4.03, -1.33], p= <0.001
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
-0.34 [-1.73, 1.05], p= 0.991
6036, TSM, 1 año después, otras causas(7)
5935, TSM, 6 meses después, TSM(2)
-1.42 [-2.79, -0.04], p= 0.038
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
-1.08 [-2.56, 0.40], p= 0.315
Tiempo que demora esta sección: 0 minutos
Si bien la asociación entre edad mínima de ingreso es signifciatva, tiene un tamaño del efecto débil. Particularmente, pacientes clasificados en 6025, Un trimestre, TUS(5) tienden a ser mayores que el resto de los pacientes en otros conglomerados, salvo 5989, Comorbilidad un trimestre(4). Este último es mayor que el resto de los otros conglomerados, ubicándose en torno a los 22-23 años. Por último, 6035, Un trimestre, TSM(6) tiene pacientes con un promedio de edad mayor a 5935, TSM, 6 meses después, TSM(2) y 5939, Un semestre TSM(3).
Pearson's Chi-squared test
data: .
X-squared = 36.576, df = 24, p-value = 0.04821
Fisher's Exact Test for Count Data with simulated p-value (based on
1e+05 replicates)
data: .
p-value = 0.03792
alternative hypothesis: two.sided
Porcentajes por columna, conglomerado vs. Beneficios
$chisq_statistic
[1] "36.58"
$chisq_df
df
24
$chisq_p_value
[1] "0.0482"
$cramers_v
[1] "0.04"
$chisq_statistic
[1] "34.86"
$chisq_df
df
24
$chisq_p_value
[1] "0.0705"
$cramers_v
[1] "0.04"
Fisher's Exact Test for Count Data with simulated p-value (based on
1e+05 replicates)
data: with(subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, !rn %in% sil_neg_pam_om_clus7_q), table(prev_benef_rec_post, clus_pam_om7))
p-value = 0.0618
alternative hypothesis: two.sided
Pearson's Chi-squared test
data: janitor::tabyl(subset(ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens, !rn %in% sil_neg_pam_om_clus7_q), prev_benef_rec_post, clus_pam_om7)
X-squared = 34.859, df = 24, p-value = 0.07051
Comparación post-hoc, conglomerado-previsión
Dimension
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
FFAA
3.83 (p=0.004)
-2.74 (p=0.212)
0.02 (p=1.000)
-1.78 (p=1.000)
-1.62 (p=1.000)
-1.96 (p=1.000)
0.35 (p=1.000)
FONASA A
-1.10 (p=1.000)
0.88 (p=1.000)
1.44 (p=1.000)
-0.00 (p=1.000)
-0.62 (p=1.000)
0.36 (p=1.000)
-0.34 (p=1.000)
FONASA BC
-1.07 (p=1.000)
-0.35 (p=1.000)
-0.47 (p=1.000)
1.87 (p=1.000)
1.51 (p=1.000)
0.88 (p=1.000)
-0.28 (p=1.000)
FONASA D
-0.45 (p=1.000)
2.11 (p=1.000)
-0.42 (p=1.000)
0.33 (p=1.000)
-1.04 (p=1.000)
-0.77 (p=1.000)
-0.90 (p=1.000)
ISAPRE
0.93 (p=1.000)
-0.88 (p=1.000)
-0.67 (p=1.000)
-1.49 (p=1.000)
0.50 (p=1.000)
0.12 (p=1.000)
1.17 (p=1.000)
Dependencia categórica sol. 7 conglomerados, por pares de categorías en Previsión (corrección Holm-Bonferroni)
n
group1
group2
statistic
p
df
p.adj
p.adj.signif
5052
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
13.5494184
0.00888
4
0.186
ns
4685
6035, Un trimestre, TSM(6)
5939, Un semestre TSM(3)
2.4654796
0.65100
4
1.000
ns
4577
6035, Un trimestre, TSM(6)
5989, Comorbilidad un trimestre(4)
8.3261698
0.08030
4
1.000
ns
4561
6035, Un trimestre, TSM(6)
6036, TSM, 1 año después, otras causas(7)
6.0938006
0.19200
4
1.000
ns
4514
6035, Un trimestre, TSM(6)
5710, TSM, 1 año después, TSM(1)
5.5981947
0.23100
4
1.000
ns
4509
6035, Un trimestre, TSM(6)
5935, TSM, 6 meses después, TSM(2)
1.5040805
0.82600
4
1.000
ns
993
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
5.1750225
0.27000
4
1.000
ns
885
6025, Un trimestre, TUS(5)
5989, Comorbilidad un trimestre(4)
3.3280516
0.50500
4
1.000
ns
869
6025, Un trimestre, TUS(5)
6036, TSM, 1 año después, otras causas(7)
5.2920415
0.25900
4
1.000
ns
822
6025, Un trimestre, TUS(5)
5710, TSM, 1 año después, TSM(1)
3.5340138
0.47300
4
1.000
ns
817
6025, Un trimestre, TUS(5)
5935, TSM, 6 meses después, TSM(2)
6.8224984
0.14600
4
1.000
ns
518
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
5.5128745
0.23900
4
1.000
ns
502
5939, Un semestre TSM(3)
6036, TSM, 1 año después, otras causas(7)
5.3921225
0.24900
4
1.000
ns
455
5939, Un semestre TSM(3)
5710, TSM, 1 año después, TSM(1)
4.4649484
0.34700
4
1.000
ns
450
5939, Un semestre TSM(3)
5935, TSM, 6 meses después, TSM(2)
2.3979662
0.66300
4
1.000
ns
394
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
2.5587888
0.63400
4
1.000
ns
347
5989, Comorbilidad un trimestre(4)
5710, TSM, 1 año después, TSM(1)
2.0916342
0.71900
4
1.000
ns
342
5989, Comorbilidad un trimestre(4)
5935, TSM, 6 meses después, TSM(2)
7.2142459
0.12500
4
1.000
ns
331
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
0.9667526
0.91500
4
1.000
ns
326
6036, TSM, 1 año después, otras causas(7)
5935, TSM, 6 meses después, TSM(2)
3.3413904
0.50200
4
1.000
ns
279
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
4.7450946
0.31400
4
1.000
ns
Tiempo que demora esta sección: 0 minutos
La asociación es lvemente significativa y muy débil. Si no se incluyen los valores con ASW negativos, la asociación no es significativa.
La revisión de los resultados post-hoc permite observar que 6035, Un trimestre, TSM(6) presenta un mayor porcentaje de pacientes en este conglomerado en una previsión de FFAA. Con todo, esta asociación no es consistente en las distintas pruebas.
tab_clus_compl_pam_om7_q<-ing_dt_ing_calendar_quarter_t_desde_primera_adm_dedup_wide2_cens %>% dplyr::inner_join(data_long_establecimiento_2024_std[,c("ESTAB_HOMO", "codigo_region", "nivel_de_atencion", "nivel_de_complejidad")], by =c("estab_homo_base"="ESTAB_HOMO"), multiple ="first") %>% janitor::tabyl(nivel_de_complejidad, clus_pam_om7) tab_clus_compl_pam_om7_q%>% janitor::adorn_percentages("col") %>% janitor::adorn_rounding(digits =3) %>% dplyr::mutate(across(-nivel_de_complejidad, ~sprintf("%d (%.1f%%)", tab_clus_compl_pam_om7_q[[cur_column()]],.*100)))|>#dplyr::mutate_at(2:ncol(.), ~scales::percent(as.numeric(.), accuracy=.1)) %>% knitr::kable(caption="Tabla de contingencia, Niv. de complejidad (proporción por columna)")
Tabla de contingencia, Niv. de complejidad (proporción por columna)
nivel_de_complejidad
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
Alta Complejidad
2685 (61.4%)
462 (67.9%)
155 (49.5%)
153 (74.6%)
126 (66.7%)
90 (63.4%)
70 (51.1%)
Baja Complejidad
711 (16.3%)
128 (18.8%)
56 (17.9%)
19 (9.3%)
30 (15.9%)
10 (7.0%)
25 (18.2%)
Mediana Complejidad
847 (19.4%)
78 (11.5%)
83 (26.5%)
31 (15.1%)
29 (15.3%)
32 (22.5%)
36 (26.3%)
Pendiente
101 (2.3%)
5 (0.7%)
15 (4.8%)
2 (1.0%)
1 (0.5%)
9 (6.3%)
6 (4.4%)
Sin dato
28 (0.6%)
7 (1.0%)
4 (1.3%)
0 (0.0%)
3 (1.6%)
1 (0.7%)
0 (0.0%)
Tiempo que demora esta sección: 0 minutos
A partir de la tabla de contingencia, se observa que 5939, Un semestre TSM(3) y 5935, TSM, 6 meses después, TSM(2) presentan menores porcentajes de ingresos en establecimientos de Alta complejidad (~50%) y mayores en mediana complejidad (~27%). En contraste, pacientes clasificados en 5989, Comorbilidad un trimestre(4), 6025, Un trimestre, TUS(5) y 6036, TSM, 1 año después, otras causas(7) se encuentran en mayor proporción en establecimientos de Alta complejidad.
pairwise_chisq_gof_test(tab_clus_compl_pam_om7_q[-1], p.adjust.method="holm")|> knitr::kable("markdown", caption="Dependencia categórica sol. 7 conglomerados, por pares de categorías en Niv. Complejidad (corrección Holm-Bonferroni)")
Dependencia categórica sol. 7 conglomerados, por pares de categorías en Niv. Complejidad (corrección Holm-Bonferroni)
n
group1
group2
statistic
p
df
p.adj
p.adj.signif
5052
6035, Un trimestre, TSM(6)
6025, Un trimestre, TUS(5)
34.662952
5.00e-07
4
8.70e-06
****
4685
6035, Un trimestre, TSM(6)
5939, Un semestre TSM(3)
23.805080
8.74e-05
4
1.31e-03
**
4577
6035, Un trimestre, TSM(6)
5989, Comorbilidad un trimestre(4)
16.233619
2.72e-03
4
2.99e-02
*
4561
6035, Un trimestre, TSM(6)
6036, TSM, 1 año después, otras causas(7)
7.319126
1.20e-01
4
3.90e-01
ns
4514
6035, Un trimestre, TSM(6)
5710, TSM, 1 año después, TSM(1)
17.278076
1.71e-03
4
2.22e-02
*
4509
6035, Un trimestre, TSM(6)
5935, TSM, 6 meses después, TSM(2)
9.143687
5.76e-02
4
2.88e-01
ns
993
6025, Un trimestre, TUS(5)
5939, Un semestre TSM(3)
59.372519
0.00e+00
4
0.00e+00
****
885
6025, Un trimestre, TUS(5)
5989, Comorbilidad un trimestre(4)
13.603975
8.67e-03
4
7.79e-02
ns
869
6025, Un trimestre, TUS(5)
6036, TSM, 1 año después, otras causas(7)
3.036705
5.52e-01
4
1.00e+00
ns
822
6025, Un trimestre, TUS(5)
5710, TSM, 1 año después, TSM(1)
42.600717
0.00e+00
4
2.00e-07
****
817
6025, Un trimestre, TUS(5)
5935, TSM, 6 meses después, TSM(2)
35.563849
4.00e-07
4
6.40e-06
****
518
5939, Un semestre TSM(3)
5989, Comorbilidad un trimestre(4)
34.927723
5.00e-07
4
8.20e-06
****
502
5939, Un semestre TSM(3)
6036, TSM, 1 año después, otras causas(7)
19.864466
5.31e-04
4
7.43e-03
**
455
5939, Un semestre TSM(3)
5710, TSM, 1 año después, TSM(1)
12.759106
1.25e-02
4
8.75e-02
ns
450
5939, Un semestre TSM(3)
5935, TSM, 6 meses después, TSM(2)
1.841632
7.65e-01
4
1.00e+00
ns
394
5989, Comorbilidad un trimestre(4)
6036, TSM, 1 año después, otras causas(7)
7.845483
9.74e-02
4
3.90e-01
ns
347
5989, Comorbilidad un trimestre(4)
5710, TSM, 1 año después, TSM(1)
13.607349
8.66e-03
4
7.79e-02
ns
342
5989, Comorbilidad un trimestre(4)
5935, TSM, 6 meses después, TSM(2)
4
331
6036, TSM, 1 año después, otras causas(7)
5710, TSM, 1 año después, TSM(1)
17.221041
1.75e-03
4
2.22e-02
*
326
6036, TSM, 1 año después, otras causas(7)
5935, TSM, 6 meses después, TSM(2)
15.889624
3.17e-03
4
3.17e-02
*
279
5710, TSM, 1 año después, TSM(1)
5935, TSM, 6 meses después, TSM(2)
10.677689
3.04e-02
4
1.82e-01
ns
Tiempo que demora esta sección: 0 minutos
Un análisis de los residuos muestra que hay una mayor proporción de pacientes clasificados en 6025, Un trimestre, TUS(5) y 5989, Comorbilidad un trimestre(4) en establecimientos de alta complejidad, vs. un porcentaje menor de pacientes clasificados en 5939, Un semestre TSM(3) se concentra en establecimientos de alta complejidad. Por otra parte, pacientes clasificados en 5939, Un semestre TSM(3) muestran una mayor proporción en establecimientos de mediana complejidad, mientras que 6025, Un trimestre, TUS(5) presenta una menor proporción en este tipo de establecimientos.
A partir del análisis post-hoc, se identificaron diferencias estadísticamente significativas entre varios pares de grupos, especialmente entre 6025, Un trimestre, TUS(5) y otros conglomerados como 6035, Un trimestre, TSM(6), 5939, Un semestre TSM(3), 5710, TSM, 1 año después, TSM(1) y 5935, TSM, 6 meses después, TSM(2). Esto sugiere que la distribución de los niveles de complejidad en el conglomerado 6025 difiere marcadamente de la de esos grupos. Asimismo, se observaron diferencias relevantes entre 5939, Un semestre TSM(3) y 5989, Comorbilidad un trimestre(4) o 6036, TSM, 1 año después, otras causas(7), lo que indica perfiles de complejidad únicos en cada uno. Por otro lado, ciertos pares no mostraron diferencias significativas (e.g., 6035, Un trimestre, TSM(6) vs 6036, TSM, 1 año después, otras causas(7), 6025, Un trimestre, TUS(5) vs 6036, TSM, 1 año después, otras causas(7)), lo que señala similitudes en sus distribuciones de complejidad.
1.2.4. Compilación comparación covariables
Código
#dput(attr(t(tab_clus_compl_pam_om7_q),"dimnames")[[1]])# Definir los datos correctamentedata_pam_om7_q <-cbind.data.frame(Grupo=c("6035, Un trimestre, TSM(6)", "6025, Un trimestre, TUS(5)", "5939, Un semestre TSM(3)", "5989, Comorbilidad un trimestre(4)", "6036, TSM, 1 año después, otras causas(7)", "5710, TSM, 1 año después, TSM(1)", "5935, TSM, 6 meses después, TSM(2)"), PPOO_bin =c(NA, NA, NA, NA, NA, NA, NA), PPOO_sinautoid =c(NA, NA, NA, NA, NA, NA, NA), PPOO_conautoid =c(NA, NA, NA, NA, NA, NA, NA), Mortalidad =c(NA, NA, NA, NA, NA, NA, NA), RM =c(NA, "-", NA, "+", NA, NA, NA), `Macrozona-Austral`=c(NA, NA, NA, NA, NA, NA, NA), `Macrozona-Centro`=c(NA, NA, NA, NA, NA, NA, NA), `Macrozona-Centro Sur`=c(NA, NA, NA, NA, NA, NA, NA), `Macrozona-Norte`=c("+","-", NA, NA, NA, NA, NA), `Macrozona-Sur`=c("-", "+", NA, NA, NA, NA, NA), Sexo_mujeres =c("+", "-", NA, "-", NA, NA, "+"), `Edad ingreso`=c(NA, "+", "-", "+", NA, NA, "-"), `Previsión-FFAA`=c(NA, NA, NA, NA, NA, NA, NA), `Previsión-FONASA A`=c(NA, NA, NA, NA, NA, NA, NA), `Previsión-FONASA BC`=c(NA, NA, NA, NA, NA, NA, NA), `Previsión-FONASA D`=c(NA, NA, NA, NA, NA, NA, NA), `Previsión-ISAPRE`=c(NA, NA, NA, NA, NA, NA, NA), `NivComp-Baja`=c(NA, NA, NA, NA, NA, NA, NA), `NivComp-Media`=c(NA, "-", "+", NA, NA, NA, NA), `NivComp-Alta`=c(NA, "+", "-", NA, NA, NA, NA))## Asegurar que los nombres de las columnas sean válidos y no haya espacios en blanco# Derretir el dataframe para que sea adecuado para ggplot2data_melt_pam_om7_q <- reshape2::melt(data_pam_om7_q, id.vars ='Grupo', variable.name ='Variable', value.name ='Asociación')# Reemplazar los NA por un valor vacíodata_melt_pam_om7_q$Asociación[is.na(data_melt_pam_om7_q$Asociación)] <-"\n"# Crear el gráfico con ggplotdata_melt_pam_om7_q %>% dplyr::mutate(Variable =gsub("_", " ", Variable)) %>%ggplot(aes(x = Variable, y = Grupo, fill = Asociación)) +geom_tile(color ="white", size =0.8) +scale_fill_manual(values =c("+"="#556B2F", "-"="#E2725B", "\n"="white")) +labs(title =NULL, x ="Variables", y ="Conglomerado") +theme_minimal() +theme(#axis.text.x = element_text(angle = 45, hjust = 1),panel.grid =element_blank())+theme(axis.text.y =element_text(size =17, face ="bold"),#,margin = margin(l = 7)), # Tamaño de las etiquetas de los grupos étnicosaxis.text.x =element_text(size =17, face ="bold", angle =45, hjust =1), # Tamaño de las etiquetas del eje Xaxis.title.x =element_text(size =16, face ="bold"),#,margin = margin(t = -15)), # Tamaño del título del eje Xaxis.title.y =element_text(size =16, face ="bold"), # Tamaño del título del eje Yplot.title =NULL, # Tamaño y estilo del título del gráficolegend.title =element_text(size =17, face ="bold"), # Tamaño del título de la leyendalegend.spacing.y =unit(1.5, "lines"),legend.box.spacing =unit(0.5, "lines"), # Controla el espacio entre la leyenda y el gráficolegend.margin =margin(5, 5, 5, 5), legend.key.height =unit(1, "cm"), legend.text =element_text(size =15, face ="bold") # Tamaño del texto de la leyenda ) +coord_flip()ggsave("_figs/asociaciones_pam_om7_q.png", width=8.8*.8, height=5*.8, dpi=1000)
